tc yıldız teknik üniversitesi fen bilimleri enstitüsü düzlemsel

advertisement
T.C.
YILDIZ TEKNİK ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
DÜZLEMSEL HOMOTETİK HAREKETLER ALTINDAT.C.
YILDIZ TEKNİK ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
YAPAY SİNİR AĞLARI ve SİNİRSEL BULANIK AĞLAR ile İNSAN
KAYNAKLARINDA PERFORMANS YÖNETİMİ MODELLENMESİ
SİNEM ATASOY
DANIŞMANNURTEN BAYRAK
YÜKSEK LİSANS TEZİ
ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI
ENDÜSTRİ MÜHENDİSLİĞİ PROGRAMI
YÜKSEK LİSANS TEZİ
ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI
HABERLEŞME PROGRAMI
YÜKSEK LİSANS TEZİ
DANIŞMAN
ELEKTRONİK VE HABERLEŞME
MÜHENDİSLİĞİ ANABİLİM DALI
DOÇ.
DR.
ALEV
GÜMÜŞ
HABERLEŞMETAŞKIN
PROGRAMI
İSTANBUL, 2011DANIŞMAN
DOÇ. DR. SALİM YÜCE
İSTANBUL, 2012
T.C.
YILDIZ TEKNİK ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
YAPAY SİNİR AĞLARI ve SİNİRSEL BULANIK AĞLAR ile İNSAN
KAYNAKLARINDA PERFORMANS YÖNETİMİ MODELLENMESİ
Sinem ATASOY tarafından hazırlanan tez çalışması 30.11.2012 tarihinde aşağıdaki jüri
tarafından Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği
Anabilim Dalı’nda YÜKSEK LİSANS TEZİ olarak kabul edilmiştir.
Tez Danışmanı
Doç. Dr. Alev TASKIN GÜMÜŞ
Yıldız Teknik Üniversitesi
Jüri Üyeleri
Doç. Dr. Alev TASKIN GÜMÜŞ
Yıldız Teknik Üniversitesi
_____________________
Doç. Dr. Nihan Çetin Demirel
Yıldız Teknik Üniversitesi
_____________________
Yrd. Doç. Dr. Hakan Yazıcı
Yıldız Teknik Üniversitesi
_____________________
ÖNSÖZ
İnsan Kaynakları yönetimi günümüzde şirketler için oldukça önemli konulardan biri
haline gelmiştir. Çünkü küreselleşen dünyada rekabet açısından şirketlerin elinde
bulundurduğu kaynağı yani insanı en iyi şekilde yönetmesi gerekmektedir. Mevcut olan
personelin eğitimi performansının arttırılması ve şirkete adanmışlığının sağlanması
şirketin karlılığın arttırılması büyük rol oynamaktadır.
Performans yönetimi konusunda birçok farklı yöntem bulunmaktadır. İkili karşılaştırma,
Sıralama, Kritik Olay Yöntemi, 360 derece Değerlendirme yöntemi bunlardan sadece
birkaçıdır. Çalışanı değerlendirmede performans yönetiminin seçimiyle beraber ortaya
çıkan veya çıkacak olan problemleri yönetmek de oldukça önemlidir. Bunlar Halo ve
Horn etkisi, ölçüt sorunu, kişisel önyargılar, objektif olamama gibi problemlerdir.
Bütün bu yaşanan zorlukları ele aldığımızda insanın içinde bulunduğu her durumda
olduğu gibi burada da ölçülememezlik devreye girebiliyor . Bu sebeple bu tezde soyut
olan durumları somutlaştırmak ve ölçebilmek adına yapay sinir ağları, Fuzzy Nöron ve
Regresyon gibi sayısal metotlar kullanılmıştır.
Son yıllarda araştırmalarda sık kullanılan yöntemlerden olan Yapay Sinir Ağları yöntemi
İnsan Kaynakları yönetiminde özellikle performansın ölçülmesinde bizlere insana ilişkin
soyut kararları somutlaştırmada oldukça faydalı olmuştur. Çalışanların performansını
ölçerken ortaya çıkabilecek birçok sorunun da ortadan kaldırılmasına yardımcı
olmuştur.
Tezimi hazırlamamda bana yardımcı olan başta tez danışmanım Doç. Dr. Alev TAŞKIN
GÜMÜŞ'e ve manevi desteklerinden dolayı aileme teşekkürü bir borç bilirim.
Kasım, 2012
Sinem ATASOY
İÇİNDEKİLER
Sayfa
SİMGE LİSTESİ .............................................................................................................. vii
KISALTMA LİSTESİ ....................................................................................................... viii
ŞEKİL LİSTESİ ................................................................................................................. ix
ÇİZELGE LİSTESİ ............................................................................................................ xi
ÖZET ............................................................................................................................ xii
ABSTRACT .................................................................................................................. xiii
BÖLÜM 1
GİRİŞ .............................................................................................................................1
1.1 Literatür Özeti ....................................................................................................1
1.2 Tezin Amacı .......................................................................................................3
1.3 Hipotez ..............................................................................................................4
BÖLÜM 2
İNSAN KAYNAKLARI YÖNETİMİ ......................................................................................5
2.1
2.2
2.3
2.4
İnsan Kaynakları Yönetimi Kavramı ve Amacı .....................................................5
İnsan Kaynakları Yönetiminin Önemi ..................................................................8
İnsan Kaynakları Modelleri ...............................................................................10
İnsan Kaynakları Yönetimi ve Personel Yönetimi Arasındaki Farklar .................11
BÖLÜM 3
PERFORMANS DEĞERLENDİRME..................................................................................13
3.1 Performans Değerlendirme Kavramı ve Performans Yönetim Sistemi ..............13
3.2 Performans Değerlendirmenin Amaçları ..........................................................14
3.2.1 Örgütsel Amaçlar: ....................................................................................15
3.2.1.1 Performansın Geliştirilmesi...............................................................15
3.2.2 Kişisel Amaçlar .........................................................................................16
3.2.2.1 Beklentilerin Çalışana İletilmesi ........................................................16
3.3 Performans Değerlendirmenin Önemi .............................................................17
3.3.1 Performans Değerlendirmenin Yararları ...................................................18
3.3.2 Performans Değerlendirmenin Sakıncaları................................................19
iv
3.4 Performans Yönetim Sisteminden Beklentiler ..................................................20
3.4.1 Organizasyonun Hedefleri: .......................................................................20
3.4.2 Bireysel Performans Hedefleri: .................................................................21
3.4.3 Performans Değerlendirmenin Kullanım Alanları ......................................21
3.5 Performans Değerleme Süreci..........................................................................22
3.5.1 Değerlendirme Standartlarının Belirlenmesi .............................................23
3.5.2 Performans Kriteri ile Standardı Arasındaki Fark.......................................23
3.5.3 Performans Değerleme Periyotlarının Belirlenmesi ..................................24
3.5.4 Değerleyicilerin Belirlenmesi ve Eğitimi ....................................................24
3.5.5 Değerleme Yönteminin Uygulanması........................................................25
3.6 Performans Değerlemede Sıklıkla Ortaya Çıkan Problemler .............................25
3.6.1 Halo ve Horn Etkisi ...................................................................................25
3.6.2 Ölçüt Sorunu ............................................................................................26
3.6.3 Geçmişte Meydana Gelen Olaylardan Etkilenme ......................................27
3.6.4 Kontrast Etkisi ..........................................................................................27
3.6.5 Pozisyondan Etkilenme ............................................................................27
3.6.6 Kişisel Önyargılar ......................................................................................28
3.6.7 Objektif Olmama ......................................................................................28
3.6.8 Değerlendirme Sonuçlarına İlişkin Sorunlar ..............................................28
BÖLÜM 4
PERFORMANS DEĞERLENDİRME YÖNTEMLERİ ............................................................30
4.1 İkili Karşılaştırma ..............................................................................................30
4.2 Sıralama Yöntemi .............................................................................................31
4.3 Grafik Dereceleme Yöntemi .............................................................................32
4.4 Zorunlu Dağılım Yöntemi .................................................................................32
4.5 Geleneksel Değerleme Skalaları Yöntemi .........................................................33
4.6 Kritik Olay Yöntemi ..........................................................................................33
4.7 Kontrol Listesi Yöntemi ....................................................................................34
4.7.1 Ağırlıklı İşaretleme Listesi .........................................................................34
4.7.2 Zorunlu Seçim Yöntemi ............................................................................35
4.8 Direkt İndeks Yöntemi ......................................................................................35
4.9 Standartlar Yöntemi .........................................................................................36
4.10 Amaçlara Göre .............................................................................................36
4.11 360 Derece Performans Yönetimi .................................................................37
BÖLÜM 5
YAPAY SİNİR AĞLARI ....................................................................................................39
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
Yapay Zeka .......................................................................................................39
Yapay Zekanın Gelişim Süreci ...........................................................................40
Yapay Sinir Ağları Tanımı ve Özellikleri .............................................................41
Yapay Sinir Ağları Tarihçesi ..............................................................................42
YSA Sisteminin Geleneksel Sistemden Farkı .....................................................44
YSA Kullanım Alanları .......................................................................................45
YSA Avantaj......................................................................................................46
YSA Dezavantajları ...........................................................................................47
v
5.9 YSA Yapısı ........................................................................................................48
5.9.1 Biyolojik Sinir Ağlarının Yapısı ...................................................................48
5.9.2 Yapay Sinir Hücresi ...................................................................................49
5.9.3 YSA Temel Elemanları ...............................................................................50
5.9.4 Çıkış İşlevi.................................................................................................54
5.9.5 YSA Yapısı .................................................................................................54
5.10 YSA Sınıflandırma .........................................................................................55
5.10.1 Yapay Sinir Ağlarının Bağlantı Yapılarına Göre Sınıflandırılması .............55
5.10.1.1 İleri Beslemeli Ağlar ..........................................................................56
5.10.1.2 Geri Beslemeli Yapay Ağlar ...............................................................56
5.10.2 YSA'da Öğrenmenin Uygulamaya Göre Sınıflandırma ...........................57
5.10.3 YSA'da öğrenme kuralları .....................................................................58
5.11 YSA Modelleri ..............................................................................................59
5.11.1 Tek Katmanlı Yapay Sinir Ağı .................................................................60
5.11.1.1 Perceptron Model ............................................................................62
5.11.2 Çok Katmanlı Perceptron ve İleri Beslemeli Geri Yayılım .......................63
5.11.2.1 Çok Katmanlı Perceptron ..................................................................63
5.11.2.2 İleri Beslemeli Geri Yayılım Yapay Sinir Ağı ........................................65
5.11.3 Diğer Ağlar ...........................................................................................67
5.12 YSA Ağ Tasarımı ...........................................................................................68
5.12.1 YSA Ağ Yapısının Seçimi ........................................................................69
5.12.2 Öğrenme Algoritmasının Seçimi ...........................................................69
5.12.3 Ara Katman Sayısının Belirlenmesi ........................................................70
5.12.4 Nöron Sayısının Belirlenmesi ................................................................70
5.12.5 YSA Eğitimi ve Testi ..............................................................................71
5.12.6 YSA’da Ağ Performans Fonksiyonunun Belirlenmesi .............................72
5.12.7 YSA Ağ Tasarımındaki Diğer Etkenler ....................................................73
5.12.7.1 Öğrenme Katsayısı ............................................................................73
5.12.7.2 Momentum Katsayısı ........................................................................73
5.12.7.3 Gizli Katmandaki Sinir Sayısı..............................................................73
5.13 ANFIS ...........................................................................................................74
BÖLÜM 6
PERFORMANS YÖNETİMİNDE SAYISAL METOTLARIN UYGULANMASI ..........................77
6.1 Uygulamanın Tanımı ........................................................................................77
6.2 Uygulamanın Tasarımı .....................................................................................77
6.3 Uygulama Sonuçları .........................................................................................97
BÖLÜM 7
SONUÇ VE ÖNERİLER ...................................................................................................98
KAYNAKLAR ...............................................................................................................101
EK-A
YSA EĞİTİMİ İÇİN DENEME TABLOSU .........................................................................107
ÖZGEÇMİŞ ................................................................................................................. 112
vi
SİMGE LİSTESİ
α
Ç
f(s)
n
m
t
w
W*
ΔW
ΔΦ
Φ
y
Sabit terim
Regresyon formülünde düzeltilmemiş katsayı
Çıktı
s niteliğine ilişkin fonksiyon
H hipotez
Karşılaştırılacak kişi sayısı
Sigma üst sınırı
Zaman
Ağırlıklar
En iyi çözüm
Değişen ağırlık değeri farkı
Değişen eşik değeri farkı
Performans Değerlendirme Kriteri
Eşik değeri
Fonksiyon sonucu
Girdi
vii
KISALTMA LİSTESİ
ANFIS
ANN
ART
CPU
ÇKA
GRNN
IKY
LVQ
MATLAB
MF
MIT
MLP
MSE
NMSE
PDS
PNN
RBF
SOM
SPSS
YSA
XOR
5M
Adaptive Neuro-Fuzzy Inference Systems
Artificial Neural Network
Adaptive Resonance Theory
Central Processing Unit
Çok Katmanlı Ağ
General Regression Neural Network
İnsan Kaynakları Yönetimi
Linear Vector Quantization
Matrix Laboratory
Membershipfunction
Massachusetts Institude of Technology
Multi Layer Perception
Mean Squared Error
Normalised Mean Square Error
Performans Değerlendirme Sistemi
Probabilistic Neural Network
Radial Basis Function
Self- Organization-Feature Map Network
Statistical Packages for the Social Sciences
Yapay Sinir Ağı
Exclusive OR
Machine, Money, Material, Management, Man
viii
ŞEKİL LİSTESİ
Sayfa
Şekil 4.1
Şekil 5.1
Şekil 5.2
Şekil 5.3
Şekil 5.4
Şekil 5.5
Şekil 5.6
Şekil 5.7
Şekil 5.8
Şekil 5.9
Şekil 5.10
Şekil 5.11
Şekil 5.12
Şekil 5.13
Şekil 5.14
Şekil 5.15
Şekil 5.16
Şekil 5.17
Şekil 5.18
Şekil 6.1
Şekil 6.2
Şekil 6.3
Şekil 6.4
Şekil 6.5
Şekil 6.6
Şekil 6.7
Şekil 6.8
Şekil 6.9
Şekil 6.10
Şekil 6.11
Şekil 6.12
Şekil 6.13
Şekil 6.14
360 derece değerlendirme şeması ............................................................38
Yapay sinir ağlarının tarihçesi ....................................................................44
Biyolojik sinir sistemi yapısı ......................................................................48
Biyolojik sinir hücresi ................................................................................49
Doğrusal aktivasyon fonksiyonu’nun şekilsel gösterimi .............................51
Basamak fonksiyonu’nun şekilsel gösterimi ..............................................52
Sigmoid aktivasyon fonksiyonu’nun şekilsel gösterimi ..............................53
Hiperbolik tanjant fonksiyonu’nun şekilsel gösterimi ................................53
Sinüs tipli fonksiyonun şekilsel gösterimi ..................................................54
Yapay sinir ağı modeli ...............................................................................55
İleri beslemeli çok katmanlı yapay sinir ağı modeli ...................................56
Geri beslemeli yapay sinir ağı modeli .......................................................57
Tek katmanlı yapay sinir ağı......................................................................60
Bir perceptron yapısı ................................................................................63
Çok katmanlı perceptron yapısı ................................................................64
İleri beslemeli geri yayılım yapay sinir ağı yapısı .......................................65
Hatanın geriye yayılım blok akış diyagramı ...............................................66
(a) Genelleme ve (b) ezberleme ...............................................................71
Adaptif ağ tabanlı bulanık mantık çıkarım sistemi .....................................75
SPSS data view penceresi .........................................................................79
SPSS variable view penceresi ....................................................................79
Tahmin edilen sonuç değişkeni serpme grafiği..........................................86
Tahmin edilen sonuçlar ve kalıntılar sayfası ..............................................87
Neurosolutions neural model ağ listesi .....................................................88
Neurosolutions eğitilmiş model ................................................................88
YSA tahmin değeri ve gerçek değer karşılaştırması ...................................89
Neurosolution test tahmin karşılaştırması ................................................90
MATLAB FIS editörü ..................................................................................91
Kurulan ANFIS model yapısı ......................................................................92
Üyelik fonksiyonu-girdi ve çıktı .................................................................93
Kural editörü ............................................................................................93
Eğitilmiş model ile test data karşılaştırması-1 ...........................................94
Eğitilmiş model ile eğitim data karşılaştırması ..........................................95
ix
Şekil 6.15
Şekil 6.16
Şekil 6.17
Eğitilmiş model ile test data karşılaştırması-2 ...........................................95
ANFIS modeli kural yapısı .........................................................................96
ANFIS modeli yüzey görünümü .................................................................96
x
ÇİZELGE LİSTESİ
Sayfa
Çizelge 2.1
Çizelge 2.2
Çizelge 2.3
Çizelge 4.1
Çizelge 5.1
Çizelge 5.2
Çizelge 5.3
Çizelge 5.4
Çizelge 6.1
Çizelge 6.2
Çizelge 6.3
Çizelge 6.4
Çizelge 6.5
Çizelge 6.6
Çizelge 6.7
Çizelge 6.8
Çizelge 6.9
Çizelge 6.10
Çizelge 6.11
Çizelge 6.12
5M girdiler ve çıktılar................................................................................6
İnsan kaynakları tarihçesi .........................................................................8
Temel işlevler bakımından personel yönetimi ile insan kaynakları yönetimi
arasındaki farklılıklar ...............................................................................12
İkili karşılaştırma yöntemi örneği ............................................................31
Geleneksel hesaplama yöntemleri ile yapay sinir ağları arasındaki fark....45
İnsan beyni ile bilgisayar arasındaki farklar .............................................50
Biyolojik sinir sistemi ile yapay sinir ağları arasındaki benzer kavramlar..50
Yapay sinir ağı türleri ve kullanım alanları ...............................................69
Tanımlayıcı istatistikler tablosu...............................................................80
Sıklık istatistik tablosu ............................................................................80
Sıklık tablosu ..........................................................................................81
Model özet tablosu ................................................................................83
Backward yönteminde kaldırılan kriterler ...............................................84
Anova tablosu ........................................................................................84
Katsayılar tablosu ...................................................................................85
Çıkartılan değişkenler tablosu .................................................................85
Kalıntılar istatistiği ..................................................................................86
YSA deneme tablosu ..............................................................................90
MF aralıkları tablosu...............................................................................92
MSE karşılaştırma tablosu ......................................................................97
xi
ÖZET
YAPAY SİNİR AĞLARI ve SİNİRSEL BULANIK AĞLAR ile İNSAN
KAYNAKLARINDA PERFORMANS YÖNETİMİ MODELLENMESİ
Sinem ATASOY
Endüstri Mühendisliği Anabilim Dalı
Yüksek Lisans Tezi
Tez Danışmanı: Doç. Dr. Alev TAŞKIN GÜMÜŞ
İnsan Kaynakları yönetimi işletmelerde son dönemde hızla artan bir değer haline
gelmiştir. Özellikle İnsan Kaynakları konularından çalışanların performanslarının
değerlendirilmesi hem şirketin İnsan Kaynakları stratejilerini belirlemesinde hem de
çalışanların gelecekteki kariyer planlarını belirlemede oldukça önemli bir rol
oynamaktadır.
Bu tez çalışması kapsamında öncelikle İnsan Kaynakları Yönetiminden ve bu yönetimi
oluşturan alt unsurlardan bahsedilmiştir. Sonrasında insan kaynaklarını oluşturan
unsurlardan performans değerlendirme ele alınarak detaylıca incelenmiştir.
Performans değerlendirme yöntemlerinden ortaya çıkan problemlere kadar bütün
süreçlere değinilmiştir.
Literatür kısmı incelendikten sonra tezin uygulama kısmında kullanılacak olan Yapay
Sinir Ağı Yöntemi anlatılmıştır. Bu bölümde Yapay Sinir Ağlarının yapısı ve farklı
modelleri ele alınmıştır. Son bölümde ise bahsedilen yapay sinir ağları ile şirket verileri
kullanılarak bir uygulama yapılmıştır. Yapılan uygulamalarda Bulanık Sinir Ağ metodu
Yapay sinir Ağı ve Regresyon methotlarından daha iyi sonuç vermiştir.
Anahtar Kelimeler: İnsan Kaynakları Yönetimi, Performans Değerlendirme, Yapay Sinir
Ağları, Bulanık Sinir Ağ, ANFIS, SPSS.
YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
xii
ABSTRACT
PERFORMANCE MANAGEMENT MODELLING with ARTIFICAL NEURAL
NETWORK and FUZZY NEURAL NETWORK in HUMAN RESOURCES
Sinem ATASOY
Department of Industrial Engineering
MSc. Thesis
Advisor: Assoc. Prof. Dr. Alev TAŞKIN GÜMÜŞ
Human Resources Management is one of the raising values for today’s competitive
firms. Especially, the subject of Employee’s Performance Evaluation plays a big part in
Human Resources Management by not only determining HR Strategies but also
identifying employees’ future career plans.
In this study, Human Resources and sub-headings of Human Resources Management
has explained Then, Performance Evaluation which is one of the most important topic
of HR Management has been examined in detail. In this examination, Performance
Evaluation Methods and the problems that occur while using this methods has
indicated.
After literature review, the Artificial Neural Network methods are discussed. In this
Section artificial neural networks structure and types of ANN has been introduced. In
last section, the introduce ANN and firm’s data has been used in an implementation. In
this implementation Neuro Fuzzy gave the best result among the other methods.
Keywords: Human Resources Management, Performance Evaluation, Artificial Neural
Network, Neuro Fuzzy, ANFIS, SPSS
YILDIZ TECHNICAL UNIVERSITY
GRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCES
xiii
BÖLÜM 1
1. GİRİŞ
1.1
Literatür Özeti
Literatür olarak anlatılan İnsan Kaynakları Yönetimi ve Performans Değerlendirme
konularına ilişkin kısa özetler aşağıda sıralanmıştır.
İnsan Kaynakları Yönetimi'nin temel amacı; insan gücünü en etkin ve en verimli
biçimde çalıştırmaktır. Üretimden pazarlamaya kadar işletmede yapılan tüm işlerin
etkinliği ve verimliliği, çalışan personelin nitelik ve niceliğine bağlıdır. Bu nedenle,
işlerin yürütülmesinde gereksinim duyulan personelin işe alınmasından çıkarılmasına
kadar insan Kaynakları Yönetimi, çalışan sorunlarının çözümünde etkili yol ve
yöntemleri içeren, bütün bu eylemleri kapsamına alan bir işlevdir [1].
İnsan kaynağının yönetimi yaklaşımı, personel yönetimine çağdaş bir bakış açısıdır.
İnsan kaynağının yönetim anlayışı “insan” öğesini örgütün merkezinde gören, onu ön
plana çıkaran bir yaklaşımdır. İnsan kaynağının yönetimi, personel yönetimin insan
kaynağı boyutunda algılanmasıdır [2].
Schuler yaptığı çalışmada genel anlamda insan kaynakları yönetiminin ne kadar önemli
olduğuna ve özellikle performans yönetimi yöntemleri ile ilgili literatürde kapsamlı
çalışmalar yapmıştır. Bu çalışmalarında özellikle literatüre sözel anlamda geniş bir
kaynak oluşturmuştur [3].
Her ne kadar performans değerlendirme kavramının işletmelerde uygulanması bazı
yöneticiler tarafından ek iş, külfet ve zaman kaybı olarak algılanırsa da, organizasyon
yaşamında iyi işleyen bir performans değerlendirme sisteminden en fazla yararlanacak
olan kişiler gene de yöneticiler olacaktır [4].
1
Yapay zeka çalışmalarının hedefi insan beyninin çalışmalarını taklit etmektir. Bu
çalışmalar ilk olarak oyun oynama ve teorem ispatlamayla kendini göstermiştir [5].
Zhang ve arkadaşları yapay sinir ağları ile ilgili birçok çalışma yapmıştır. Özellikle
finansal verilerin yorumlanmasında, üretim veya banka sektöründe geçmiş
değerlerle gelecek verilerin tahmin edilmesindeyapay sinir ağ larını sıklıkla
kullanmışlardır [6].
Jang ve arkadaşları ise bulanık sinirsel ağlarla ilgili birçok literatür çalışması
yapmıştır. Çalışmalarında bu metodun nasıl kullanıldığı ve yapısını oldukça
detaylı bir şekilde bilgisayar tabanlı olarak anlatmıştır [7], [8].
Yapay zeka günümüzde birçok problemin çözümünde kullanılmaktadır. Literatürde
yapay sinir ağları ve diğer sezgisel yöntemler çok ciddi kullanılmaktadır. Bu
yöntemler özellikle üretimde ve tahmin problemlerinde yoğun bir şekilde
kullanılmıştır. Bunun dışında literatürde yapay sinir ağının diğe r yöntemlerle
birleştirerek hibrit çalışmalar yapılmıştır. Yani yoğun matematiksel çalışmalar
içeren geniş bir literatür mevcuttur.
Aynı şekilde performans yönetimi ile ilgili de birçok çalışma literatürde yer
almaktadır. Bu çalışmaların da birçoğu mevcut performans yöntemlerini yeni
bakış açılarıyla ele almaktadır. Yani performans yönetiminde varolan veya
kullanılabilecek yöntemlerden bahsedilmiştir.
Ballı ve arkadaşlarının yaptığı çalışmada performans yönetim sistemi bulanık sinirsel
ağlar ile çalışılarak performans sonuçları tahmin ettirilmiştir. Söz konusu çalışmada tek
bir sezgisel yöntem kullanılmış olup çalışanlar tahmin ettirilen sonuçlara göre
sıralanmıştır. Mevcut bir gerçek değer karşılaştırılması veya hata sonucu bu çalışmada
paylaşılmamıştır [9], [10].
Stavrou ve arkadaşlarının çalışmasına baktığımızda insan kaynaklarında performans
yönetimi ile ilgili oldukça geniş bir literatür araştırması yer almaktadır. Bununla beraber
sinir ağları yöntemini kullanarak Avrupa'da ki özel ve devlet sektörleri arasındaki İnsan
kaynakları fonksiyonları arasındaki farklı modelleri incelemiştir. Bu çalışmada sayısal
metotları çok detaylı bir şekilde yer almamakla beraber geleneksel yöntemlerle bir
karşılaştırma yapmıştır [11].
2
Bu iki konu ile ilgili çalışmalara baktığımızda literatürde bu iki konuyu birleştiren
çok daha az çalışma mevcuttur. Bu çalışmada özellikle daha çok sözel
çalışmaların söz konusu olduğu performans yönetimi ve daha çok sayısal
çalışmaların yer aldığı yapay sinir ağları ile ilgili çalışmalar in celenerek gerçek
verilerle çalışılıp bu çalışmada entegre edilmiştir. Performans yönetimi gibi daha
çok insan faktörüne bağlı olarak sonuçlandırılan bir konunun yapay sinir ağları,
bulanık sinirsel ağlar ve regresyon gibi üç ayrı sayısal metotla karşılaştı rılması
literatürde farklı bir çalışma olarak yer alacaktır.
1.2
Tezin Amacı
Teknolojinin her gün ilerlediği günümüz piyasasında şirketlerin ayakta kalabilmeleri
oldukça zorlaşmıştır. Kullanılan teknolojinin veya sistemlerin iyileştirilmesinden ziyade
eldeki asıl kaynak olan çalışanların şirkette kalmalarını sağlayabilmek oldukça önemli
bir hale gelmiştir. Çalışanın memnuniyetini arttırmak adına alınan önlemlerle ve
performanslarını arttırmak adına yapılan çalışmalar paralel devam etmektedir.
Çalışanların performanslarını arttırmanın şirketin performansını arttırmasıyla aynı
anlama gelmiştir. Özellikle iyi bir çalışanının performansının doğru ölçülebilmesi hem
kişiyi motive edici hem de şirketin insan kaynakları stratejisini belirlemede oldukça
önemli bir süreçtir.
Performansın ölçülmesi sürecinde meydana gelebilecek problemlerin ortadan
kaldırılması için öncelikle soyut verilerin somutlaştırılmasının gerekliliği ortaya
çıkmıştır. Bu sebeple bu tez kapsamında kullanılan sayısal metotlarla ölçülemeyen
durumları somut hale getirip performansı en çok etkileyen kriterlere ulaşılmıştır.
Ortaya çıkan sonuçla, yöneticilerin çalışanların performanslarını değerlendirirken
özellikle hangi kriterlere önem verildiği ve bu kriterlerin başarı durumuna olan etkisi
açık bir şekilde ortaya konmuştur.
Sonuç olarak, bu tez çalışmasının amacı İnsan Kaynakları Yönetiminin önemli bir
kilometre taşı olan Performans Yönetiminde kişilerin performansının doğru bir şekilde
ölçülmesinin sağlanmasıdır. Bunun için de Yapay Sinir Ağları, Bulanık Sinirsel Ağ ve SPSS
gibi yöntemler kullanılmıştır.
3
1.3
Hipotez
Bu tez çalışmasında İnsan Kaynakları Yönetiminde Performans Yönetimi için kullanılan
yöntemler anlatılmıştır. Bu yöntemler ve bu yöntemlerin nasıl uygulandığına ek olarak
ortaya çıkan problemlerin neler olduğu ortaya konmuştur. Tez çalışması kapsamında
yapılanları kısaca aşağıda özetlenmiştir.
Öncelikle İnsan Kaynakları yönetimin temel unsurları ele alınmıştır ve edebiyat olarak
gözden geçirilmiştir. İnsan kaynaklarındaki temel unsurlar belirlendikten sonra ikinci
bölümde Performans Değerlendirme Yöntemleri ele alınmıştır. Bu bölümde
performans değerlendirmenin ne olduğundan ve amacından bahsedilmiştir. Sonrasında
değerleme sürecinden, kullanılan yöntemlerden ve bu yöntemlerin getirdiği
problemlerden bahsedilerek performans değerlendirme hakkında kapsamlı bir literatür
çalışması sunulmuştur. Tezin uygulama bölümünde ise Performans değerlemede
kullanılan sayısal metotlardan detaylıca bahsedilmiştir. Daha sonra anlatılan bu sayısal
metotlarla bir işletmede performans değerlendirme çalışması yapılmıştır. Burada
kullanılan üç ayrı sayısal yöntem (Yapay Sinir Ağları, ANFIS Yöntemi, SPSS) ve
Geleneksel Değerlendirme Yöntemi sonuçları karşılaştırılmıştır.
Sonuç olarak elde edilen verilere baktığımızda teze başlarken ortaya konulan soyut
verilerin somutlaştırılması ile daha iyi sonuçlar vereceği hipotezinin sağlandığı
gözlenmiştir.
4
BÖLÜM 2
2. İNSAN KAYNAKLARI YÖNETİMİ
2.1
İnsan Kaynakları Yönetimi Kavramı ve Amacı
İnsan kaynakları yönetimi, modern işletme yönetim tekniklerini uygulayan ve
uygulamayı planlamış organizasyonların, bütün çalışanlarına yeni bir vizyon
kazandırmak suretiyle, yetkilerini bilimsel yöntem ve tekniklerle analiz ederek
keşfetme, onlardan maksimum faydayı sağlama ve çalışanlarla kurum ilişkilerindeki
tekli ya da ikili bağlarını ve kazanımlarını çoğullaştırarak, onların işinden ve örgütünden
duyduğu tatmini güçlendirmek için insan unsurunun örgüte girişinden önceki planlama
aşamasından başlayarak organizasyondan çıkışına kadarki süreci kapsayan yönetim
dalıdır [12].
İnsan kaynağının yönetimi yaklaşımı, personel yönetimine çağdaş bir bakış açısıdır.
İnsan kaynağının yönetim anlayışı “insan” öğesini örgütün merkezinde gören, onu ön
plana çıkaran bir yaklaşımdır. İnsan kaynağının yönetimi, personel yönetimin insan
kaynağı boyutunda algılanmasıdır [2].
İKY, insan kaynaklarının organizasyonun hedefi doğrultusunda en verimli şekilde
kullanılmasını ve çalışanların ihtiyaçlarının karşılanmasının ve mesleki bakımdan
gelişmelerinin sağlanmasıdır [13].
Çizelge 2.1’de görüldüğü üzere, işletme açısından bakıldığında, genellikle 5M denilen
girdilerden söz edilir ve bunlar arasında insan girdisinin önemi diğerleri arasında çok
farklı bir konuma ve değere sahip olduğu bilinir [1].
5
Çizelge 2.1 5M girdiler ve çıktılar
GİRDİLER (5M)
ÇIKTILAR
Makine (Machine)
Mal ve Hizmet
Kapital (Money)
Bireysel Tatmin
Malzeme (Material)
Örgütsel Tatmin
Yönetim (Management)
Toplumsal Tatmin
İnsan (Man)
Bilgi
İnsan kaynakları yönetiminin kapsamına dahil olan konular hakkında çeşitli görüşler
ortaya atılmıştır. Bu görüşleri aşağıdaki şekilde sıralamak mümkündür.
Schuler, insan kaynakları yönetiminin ele aldığı konuların altı ana başlık altında
toplanabileceğini belirtmiştir [3], [14]. Şöyle ki;

İnsan kaynakları ihtiyacının planlanması,

İnsan kaynakları örgütünün yönlendirilmesi,

Örgütün insan kaynaklarının eğitimi ve geliştirilmesi,

Etkili çalışma ilişkilerinin kurulması ve geliştirilmesi,

Örgütsel çevrenin iyi bir şekilde analiz edilmesi.
Mathis ve Jackson’a göre, insan kaynakları yönetiminin konuları aşağıdaki şekilde
sıralanmaktadır [15]:

Stratejik insan kaynakları planlaması,

Eşit istihdam imkanı sağlama,

İş analizi yapma,

İşe alma ve personel seçimi,

Eğitim ve geliştirme,

Performans değerlendirmesi,
6

Ücret ve terfi,

Personel sağlığı ve güvenliği,

Çalışma ilişkileri,

Sendikal faaliyetler,

İnsan kaynakları ile ilgili bilgi toplama ve değerlendirme faaliyetleri.
İKY’nin temel amacı; insan gücünü en etkin ve en verimli biçimde çalıştırmaktır.
Üretimden pazarlamaya kadar işletmede yapılan tüm işlerin etkinliği ve verimliliği,
çalışan personelin nitelik ve niceliğine bağlıdır. Bu nedenle, işlerin yürütülmesinde
gereksinim duyulan personelin işe alınmasından çıkarılmasına kadar İKY, çalışan
sorunlarının çözümünde etkili yol ve yöntemleri içeren, bütün bu eylemleri kapsamına
alan bir işlevdir [1].
İKY, iki amacı gerçekleştirmeye çalışır. Bu amaçlar aşağıda belirtilmiştir [16].

Çalışanların bilgi ve becerilerini en iyi biçimde kullanmalarını sağlayarak, onların
işletmeye olan katkılarını en üst düzeye çıkarmak. Yani, çalışandan maksimum
verim almak,

İş yaşamının kalitesini yükselterek çalışanların sağlıklı ve güvenli bir ortamda,
yaptıkları işten zevk almalarını sağlamaktır.
İnsan kaynaklarının yönetimi günümüz özel sektörleri için oldukça önemli bir rekabet
aracı haline gelmiştir. Bu yüzden insan kaynakları fonksiyonlarını yönetebilmekte
geçmişten günmüze daha da önem göstermiştir [11].
İnsan Kaynaklarının tarihçesine ilişkin gelişimini Çizelge 2.2’de görebiliriz [3],[17].
7
Çizelge 2.2 İnsan kaynakları tarihçesi
TEKNİKLER
İŞVEREN BAKIŞI
TEMEL
KRİTER
Disiplin Sistemleri
Çalışanların ihtiyaçları
önemli değildir.
Üretim teknolojileri
1899
öncesi
Güvenlik ve yaratıcılık
programları
Çalışanlar güvenliğe ve
fırsatlara ihtiyaç duyarlar.
Çalışanların
rahatlığı
19001910
Zaman ve iş
araştırmaları
Çalışanlar yüksek
verimlilikle gelen yüksek
ücretler isterler.
Görev verimliliği
19101920
Psikolojik testler.
Danışmanlık
programları
Çalışanların kişisel
farklılıkları göz önünde
bulundurulmalıdır.
Kişisel farklılıklar
19201930
İletişim programları
Çalışanların ihtiyaçları
tatmin edilmelidir.
Sendikalaşma
19301940
Emeklilik ve sağlık gibi
ek yararlar
Çalışanlar ekonomik
güvenliğe ihtiyaç duyarlar.
Ekonomik güvenlik
19401950
Süpervizör eğitimleri
Çalışanlara baskı unsuru
az olan bir denetim
uygulanmalıdır
İnsan ilişkileri
19501960
Katılımcı yönetim
teknikleri
Çalışanlar görevleriyle
ilgili kararlara katılmak
isterler.
Katılım iş
Çalışanlar becerilerine uygun
ve kendilerini zorlayacak
görevler isterler.
Ekonomik koşullardan dolayı
şimdi kaybedenlerin yeni
işlere ihtiyaçları vardır.
Görevlerin
zorluğu ve çalışma
hayatının kalitesi
19701980
İşten ayrılmalar
19801990
Çalışanlar iş ve iş dışı
dünyalarını dengelemelidir.
Üretkenlik, kalite,
adapte olabilme
19902000
Görev zenginliği, entegre
çalışma takımları
İşten ayrılma eğitimleri
İş ihtiyaçları, eğitim, etik
gibi olguları
bütünleştirme
2.2
kanunları
DÖNEM
19601970
İnsan Kaynakları Yönetiminin Önemi
Bugün çalışma yaşamında karşı karşıya kalından işgücü ilgili maliyetler, verimlilik,
değişimler ve işgücündeki olumsuzluk belirtileri, İKY ’nin önemini hayli artırmıştır. İKY
‘ni önemli kılan konular arasında ise en ön sıralarda çağdaş nedenler yer almaktadır
[18].
Bunlar ise insan kaynaklarının maliyeti, küreselleşme, değişimin hızlılığı ve karmaşıklığı,
işgücü çeşitliliği, üretkenlik krizi, toplam kalite yönetimi, yetkilendirme, küçülme ve sayı
azaltmadır.
8
a) İnsan Kaynaklarının Maliyeti: Örgütlerin önemli kaynakları sadece finansal
kaynakları değildir. Bu nedenle de örgütler doğru çalışanı doğru zamanda ellerinde
bulundurmalıdır. İnsan kaynağı doğru bir biçimde yönetilirse hem örgütün hem de
çalışanların verimliliği artmakta, ürünlerin ve hizmetlerin kalitesinde artış meydana
gelmektedir.
b) Küreselleşme: Son yıllarda küreselleşmeyle birlikte işletmeler tüm dünyadaki
işletmelerle rekabet etmek zorunda kalmıştır. Bu nedenle de İKY ’ne düşen görev ve
sorumluluklar daha fazla artmıştır. Bu ortamda da global pazarda çalışabilecek bilgi ve
beceriye sahip çalışanlara sahip olması gerekmektedir.
c) Değişimin Hızlılığı ve Karmaşıklığı: 20. yüzyılda kültürel, ekonomik, sosyal ve
teknolojik değişimler İKY ‘nin önemini daha da çok artırmıştır. Çeşitli alanlarda yaşanan
bu karmaşıklık çalışanlarının değişimini ve tatminsizliğine yol açmıştır.
d) İşgücü Çeşitliliği: Dünyada yaşanan değişimler karmaşıklılar işgücünün yapısını da
değiştirmiştir. Daha önceden zenci ya da beyazların çeşitli bölgelerde egemen olduğu
bir işgücü yapısı varken bugün kadınların, göçmenlerin, zencilerin bulunduğu karmaşık
bir yapı söz konusudur.
e) Beceri Gereklerinde Değişme: Teknolojide yaşanan gelişmeler sonucunda
çalışanların beceri gereksinimleri değişikliliğe uğramıştır. Bunun sonucunda da iş
kazaları, kalite düşüklüğü, verimsizlik gibi problemlerin yoğun olarak yaşanmaya
başlamıştır.
f) Üretkenlik Krizi: Son yıllarda bazı ülkelerde üretkenlik hızı düşmüştür. Bazı ülkelerde
ise bu oran gittikçe artmaktadır. Bunun nedeni ise İKY’ne verilen önemli fazla olmasıdır.
g) Toplam Kalite Yönetimi: Toplam kalite yönetimi İKY ’nde çalışanlar müşteriler kadar
değerli görülmüş, örgüt personelini de bir müşteri olarak görülmüş bu nedenle de tıpkı
müşteri gibi değerli görülmesi gerektiği kabul edilmiştir.
h) Yetkilendirme: Örgütlerde yaşanan gelişmeler ve değişmeler sonucunda işlerin
başarılı bir şekilde sonuçlanması için yetkilendirme yapılmasını gerektirmiştir.
Yetkilendirme, yetki devretme, ekip çalışması, işverenlerin eğitimi gibi süreçleri
içermektedir. Böylelikle çalışanlar daha kolay kontrol edilmektedir.
9
i) Küçülme ve Sayı Azaltma: Globalleşmeyle birlikte büyük kuruluşlarda sürekli olarak
büyüme ve küçülme meydana gelmektedir. Örgütlerde çalışanların sayısını azaltma
verimlik artabilmektedir. Çalışanların sayısının azalmasıyla maliyetler düşmekte aynı
zamanda da daha önce çok sayıda kişi tarafından yapılan işin daha az kişi tarafından
yapılması sağlanmaktadır.
2.3
İnsan Kaynakları Modelleri
Araştırmacı Storey’nin bakış açısına göre, insan kaynakları yönetimi, iki perspektifte
incelenebilir; sert ve yumuşak. Sert modele göre, insan kaynakları yönetimi, faydalı bir
araçtır, bir işletmenin stratejik hedeflerine ulaşmasını sağlar. Ayrıca bu modelde, insan
gücü planlamasında, aynı üretimde kullanılan diğer kaynaklar gibi insan kaynağı da
sadece kaynaktır, aslında üretimin cansız faktörlerini varlığa dönüştüren tek kaynak
olmasından çok sadece iş yapmanın bir harcamasıdır. Bu bakış açısı, insana verilen
değeri diğer kaynaklara verilen değer ile bir tutup alçalttığından ve diğer kaynaklar ile
insanlar arasındaki farkları yok saydığı için tartışmaya açıktır. Makineler yöneticilerin
ihtiyaçları doğrultusunda taşınabilir, arttırabilir, azaltılabilir, çeşitli şekiller alabilir ve
ıskartaya çıkarılabilir ancak insanlar böyle değildir. İnsanların duyguları, ihtiyaçları ve
ilgi alanları vardır ve tüm bu unsurlar karşılandığı zaman görevlerini en iyi şekilde
yerine getirirler. İnsanlar dilendiği zaman, kolayca makineler gibi ıskartaya
çıkarılamazlar, kendi istekleri dışında işlerinden oldukları zaman bunun kişisel ve sosyal
sonuçlarına katlanılmak zorundadırlar [19].
Bunun gibi düşünceler, insan kaynakları yönetimine daha hümanist olan yumuşak
yaklaşımı beraberinde getirmiştir. Bu modelde de işletmenin hedefleri ile insan
kaynakları politikalarını entegre etmek önemlidir. Çalışanları işletmenin kıymetli
varlıkları olarak, çalışanların katılımlarını, adaptasyonlarını rekabette avantaj sağlayan
unsur olarak görmekten geçer. Bu bakış açısına göre, çalışanlar, üretim proseslerinin
proaktif girdileridir, gelişmeye açıktırlar ve kendilerine güven duyulmasına ve işbirliğine
layıktırlar. Burada önemli nokta, iletişim, motivasyon ve liderlik yolu ile sorumluluk ve
bağlılık yaratabilmektir. Eğer çalışanların bağlılığı işletmenin performansına olumlu
etkide bulunuyorsa, insan gelişimine verilen önem de arttırılmalıdır [19].
10
Ekonomideki dar boğazlarda veya işsizliğin yoğun olduğu dönemlerde, yöneticiler sert
modeli tercih ederek çalışanları yumuşak modelin pek çok avantajından mahrum
bırakmaktadır. Birçok işletme hem sert hem de yumuşak model farklı zamanlarda veya
farklı gruplara bir arada uygulanmaktadır. Örneğin, yöneticilere, çekirdek çalışanlara ve
nitelikli çalışanlara yumuşak model anlayışı uygulanırken, vasıfsız işçilere sert model
anlayışı uygulanmaktadır. Aynı zamanda bu durum tersine döndüğünde, piyasa
koşullarında işsizlik az ise, çalışanların istekleri önce gelmekte ve genellikle yumuşak
model tercih edilmektedir [19].
2.4
İnsan Kaynakları Yönetimi ve Personel Yönetimi Arasındaki Farklar
İKY’nin ele aldığı konuların büyük çoğunluğu, geleneksel personel yönetiminin de
konuları arasında yer almakla birlikte, bu konuları arasında yer almakla birlikte, bu
konuların ele alış biçimi ve benimsenen yaklaşım arasında önemli farklılıkların, daha
çok; konuya algılama, içerik, anlayış, değerlendirme ve yaklaşım farklılığı olduğu
söylenebilir. Çizelge 2.3’te ve aşağıdaki maddelerde bu farklılıklar şu şekilde
özetlenebilir [18]:

Çalışma ilişkileri açısından personel yönetimi muhalif bir tutum içinde iken İKY
gelişimci ve işbirlikçidir.

Yön verme konusunda personel yönetimi tepkici iken İKY etkin ve örgüt odaklıdır.

Personel yönetimi örgütlenme sürecine ayrı ayrı işlevler şeklinde bakarken İKY
bunu bütünleşik bir yapıda görmektedir.

İş sahipleriyle ilişkilerde personel yönetimi, yönetimi söz sahibi görürken, İKY
buna personeli de eklemektedir.

Personel yönetiminde emir nitelikli değerler öncelikle iken, İKY ’de yöneticiler,
sorunlar üzerinde duran, uyumlu ve çözüm yolları öneren kişiler olarak
görülmektedir.

Personel Yönetiminde uzmanlar düzenleyici role sahipken, İKY ’de sorunlara
duyarlı ve çözüm arayıcı konumda olmaktadırlar.
11

Eylemci
birimlerin
personel
yönetimindeki
pasifliği
İKY
’de
aktifliliğe
dönüşmektedir.

Tüm çıktılar personel yönetiminde kategorileşmişken, İKY ’de örgüt ihtiyaçlarıyla
bağımlı değişik insan kaynakları sistemleri devreye girmektedir.

Personel yönetiminde klasik hiyerarşik yapıda örgüt yönetiminin üstünlüğü söz
konusu iken, İKY ’de yönetimin ve personelin birlikte söz sahibi olduğu
süreçlerden yararlanılmaktadır.
İnsan Kaynakları ve personel yönetimi arasındaki farklar Çizelge 2.3'te gösterilmiştir
[20].
Çizelge 2.3 Temel işlevler bakımından personel yönetimi ile insan kaynakları yönetimi
arasındaki farklılıklar
BOYUTLAR
PERSONEL YÖNETİMİ
Personel seçimi
Bölümlere ayrılmıştır
İNSAN KAYNAKLARI
YÖNETİMİ
İşletmenin bütünde, anahtar
görev üstlenmiştir
Ödeme sistemleri
İş değerlemelerine göre
Performansa dayalı
Yapı
Bölümlendirilmiş
Bir bütün içinde uyumlaştırılmış
Çalışma ilişkileri
Toplu sözleşmeler
Bireysel sözleşmelere dönüş
Yönetim tarafından
Eğitim ve olanaklar yoluyla
Değişim modelleri için,
İlişkilerin yönlendirilmesi
yönetime uyumlaştırma
pazarlıkların dışında tutulma
İş kategorileri ve dereceleri
Çok fazla
Oldukça az
İletişim
Sınırlandırılmış
Artırılmış
İş dizaynı
İş bölümü söz konusu
Takım Çalışması ön planda
Uyuşmazlıkların yönetimi
Geçici uygulamalar yoluyla
İşletme iklimi ve kültürü içinde
Eğitim ve geliştirme
İlgili çalışanların kurslara
Bütüncül biçimde, öğrenen
örgüt anlayışı
gönderilmesi
Müdahalelerde hareket
Personel prosedürleri
noktası
Çevresel kültür, yapı ve
stratejik yaklaşımlar
12
BÖLÜM 3
3. PERFORMANS DEĞERLENDİRME
3.1
Performans Değerlendirme Kavramı ve Performans Yönetim Sistemi
Ülkemizde performans değerleme ilk defa 1948 yılında Karabük Demir Çelik
Fabrikalarında ve daha sonra Sümerbank, Makine ve Kimya Endüstrisi ile Devlet Demir
Yolları vb. kamu kuruluşlarında, 1960 yılından itibaren de bazı özel sektör
kuruluşlarında uygulama alanı bulmuştur [21].
Performans
değerlendirilmesi,
bazı
kaynaklarda
işgören
değerlemesi,
başarı
değerlemesi, verimliliğin değerlendirilmesi, çalışmanın değerlendirilmesi ya da kamu
kuruluşlarında olduğu gibi tezkiye, sicil gibi kavramlarla anlatılır [22].
Performans değerlemeyle ilgili olarak birçok farklı kaynakta farklı şekillerdeki
tanımlarıyla karşılaşmak mümkündür. Basit bir şekilde performans değerlemesi “gerçek
başarı ile istenen başarı arasındaki “açıklığı” belirlemeye yarayan bir süreç” olarak
tanımlanabilir [23].
Diğer bir tanımlamayla performans değerlemesi “bir yöneticinin önceden saptanmış
standartlarla karşılaştırma ve ölçme yoluyla, işgörenin işteki performansının
değerlenmesi sürecidir [13].
Genel anlamda performans değerlendirme, işgörenin yeteneklerini, potansiyelini, iş
alışkanlıklarını, davranışlarını ve benzer niteliklerini diğerleriyle karşılaştırarak yapılan
sistematik bir ölçümdür [24].
Genel anlamda performans değerlendirme, iş görenin yeteneklerini, potansiyelini, iş
alışkanlıklarını, davranışlarını ve benzer niteliklerini diğerleriyle karşılaştırılarak yapılan
13
bir ölçümlemedir. Performans değerlendirme, iş görenin işletme amaçlarının
gerçekleşmesine yapmış olduğu katkının ölçülmesidir [25].
Performans değerlendirme insan kaynakları yönetiminin en önemli işlevleri arasında
yer alır. Performans değerlendirmeyle ilgili genel olarak, kişinin, kurumun ya da grubun
herhangi bir konudaki etkinliğini bir takım özelliklere göre analiz etmeye ve başarı
düzeyini belirlemeye yönelik çalışmalar kastedilmektedir [26].
Performans değerlendirme, bir organizasyonda görevi ne olursa olsun iş görenlerin
çalışmalarının, etkinliklerinin, eksikliklerinin, yeterliliklerinin, fazlalıklarının bir bütün
olarak tüm yönleri ile gözden geçirilmesidir. Performans değerlendirme, bir yöneticinin
önceden belirlenmiş standartlarla, karşılaştırma ve ölçme yoluyla iş görenlerin
performanslarını değerlendirme sürecidir [27].
Uzun yıllar işletmenin temel işlevleri arasında yer alan personel yönetimi 1980’li
yıllardan sonra yerini insan kaynakları yönetimine bırakmış, bir bakıma kabuk
değiştirmiştir. Aslında insan kaynakları yönetimi, personel yönetiminin bir uzantısı
olarak kabul edilebilir. Ancak insan kaynaklarının kazandığı boyut bugün personel
yönetimini aşmıştır. İki kavram arasındaki en önemli farklılık, personel yönetiminin
daha çok işletme çıkarlarını gözetmiş olması ya da işgücü verimliliğini temel amaç
olarak seçmesine karşılık insan kaynakları yönetiminin işgücü verimliliğini yanında bir iç
müşteri olarak tanımlanan çalışan insanın memnuniyetini de amaçlamış olmasında
görülebilir [1].
3.2
Performans Değerlendirmenin Amaçları
Performans değerlendirmeleri organizasyon hayatının önemli bir parçasıdır, çünkü
bunlar içlerinde performans problemlerinin çözümlenmesinin, hedeflerin belirlenmesi,
ödüllerin ve disiplin yaptırımlarının uygulanması ve işten atılmalarında yer aldığı birçok
fonksiyona yardımcı olurlar [28].
Performans değerleme hem kişisel hem de örgütsel anlamda bazı amaçlar taşımaktadır
[29].
14
3.2.1

Örgütsel Amaçlar:
İşe
yerleştirme,
adaylık
dönemindeki
çalışanların
görevlerini
sürdürüp
sürdüremeyecekleri, yükseltme, ücret artışı, özendirici ücret sistemleri,
ödüllendirme, cezalandırma ve yer değiştirme gibi çeşitli çalışan işlev ve
uygulamalarına ilişkin yönetsel kararların alınmasında gereksinme duyulacak bilgi
ve nesnel ölçütleri sağlamak,

Örgütün genel başarı durumu ve sorunlarına ilişkin bilgi toplamak ve gelecekte
ortaya çıkabilecek olayların önceden kestirilmesine olanak sağlamak,

Örgütün işgücü ve yönetim potansiyeli hakkında güvenilir bilgiler sağlamak,

Örgütün çeşitli birimlerinin ve alt birimlerinin başarı durumlarının ölçülmesine
olanak sağlayacak ortamı hazırlamak,

Daha etkin işgücü politika, plan ve programlarının ücret sistemlerinin, eğitim
programlarının, işe alma, seçme, yerleştirme, yükseltme ve ödüllendirme
uygulamalarının geliştirilmesine olanak sağlamak,

Örgütün amaç ve gereksinimleri ile örgüt üyelerinin amaç ve gereksinimlerinin
bütünleştirilebilmesi için gerekli ortamın hazırlanmasına katkıda bulunmaktır.
3.2.1.1 Performansın Geliştirilmesi
Çalışanın, yapılan değerlendirme sonucunda ortaya çıkan gelişime açık yönlerinin nasıl
geliştirilebileceği belirlenmeli, bu doğrultuda bir planlama yapılmalı ve bu gelişim planı
uygulamaya alınmalıdır. Bu süreçte de geri besleme ve koçluk faaliyetleri yönetici
tarafından uygulanmaya devam edilmelidir [30].
Şirket içerisindeki çalışan sayısındaki değişimler aslında performans yönetimi ile ilgili
gerçekçi bilgilerin görülmesini sağlamaktadır. Kişiler kedileri ile ilgili eksik yönleri
öğrenerek performanslarını arttırabilirler veya yönetici çalışanı ile ilgili sorunlarını
performans değerlendirmesi sayesinde çalışana ileterek çalışanını işten ayrılmasını
önleyebilmektedir.
15
3.2.2 Kişisel Amaçlar
Performansın değerlendirilmesinde çalışanların da kişisel amaçlar edinmesine olanak
sağlanmıştır. Bu amaçları aşağıdaki gibi sıralayabiliriz [29].

Çalışanlara başarı düzeyleri hakkında bilgi vermek ve üstlerinin kendileri hakkında
ne düşündüklerini bilmelerine olanak sağlamak,

Kişisel amaçların belirlenmesini, elde edilen başarıların tanınmasını ve yapılan işin
anlam kazanmasını sağlamak ve dolayısıyla kişinin başarı gereksinmesini
karşılamak, işten sağlanan doyumu ve isteklendirmeyi arttırmak, yabancılaşmayı
azaltmak ve kişinin amaçları ile örgütün amaçları arasındaki çelişkiyi ortadan
kaldırmak,

Kişilere hatalı ve eksik yönlerini göstererek, bunları gidermelerine olanak
sağlamak,

Çalışanların yönetime katılmalarına olanak sağlamaktır.
3.2.2.1 Beklentilerin Çalışana İletilmesi
Öncelikle, her değerlendirme dönemi başında çalışana, gerçekleştirmesi beklenen
hedeflerin ve sergilemesi beklenen yetkinliklerin neler olduğu açık ve net olarak
anlatılmalı ve bunlar üzerinde mutabakata varılmalıdır [30].
Sonuç olarak; personelin değerlendirilmesi, yönetimin temel fonksiyonlarından biridir.
Bu değerlendirme çalışmaları işletme için stratejik öneme sahip olan şu amaçlara
hizmet ettiği söylenebilir [31]:

Personelin kendinden beklenen performansı ne ölçüde gerçekleştirdiğini
ortaya koymak,

Personelin geleceğe yönelik gelişme potansiyeli hakkında bilgi edinmek ve
yargıya varmak,

Daha ileri ki görevler için sorumluluk üstlenme potansiyeli olan personeli
belirlemek,

Personelin eğitim gereksinimlerini tespit etmek,
16

Ücret artışı ve ödüllendirme için bir dayanak ortaya koymak,

Performans hakkında geri bildirimde bulunmak: işleri sorunları tartışmak,
gelişmelere dönük önerilerde bulunabilmek için düzenli, programlı imkanlar
sağlayarak özendiriciliği ve kuruma bağımlılığı artırmak.
3.3
Performans Değerlendirmenin Önemi
Performans Değerlendirme hem yöneticiler hem de çalışanlar açısından büyük önem
taşır [32].
a) Çalışanlar Bakımından Önemi
Değerlendirme, çalışanlar açısından da önem taşımaktadır. Çalışanlar, çalışmalarının
takdir edilmesini, başarılarının karşılığını görmeyi, çalışanla, çalışmayan, verimli ile
verimsiz, başarılı ile başarısız arasında bir ayırım gözetilmesini ister ve bekler. Çalışanlar
bu tür ruhsal gereksinimleri karşılandığı ölçüde örgüte bağlanır, verimleri artar. Bunun
yanında, daha da önemlisi, başarı derecesi hakkında bilgisi olan personel, kendini
geliştirme ve performansını iyileştirme olanağı kazanır [32].
Nesnel (objektif) ölçütlere göre yapılan bir değerlendirme, çalışanların, bulundukları
kuruluşun neresinde ve nasıl en iyi ve en verimli biçimde çalışabilecekleri konusuna da
açıklık kazandırır.
b) Örgüt Açısından Önemi
Personeli değerlendirmenin yalnızca örgüte yarar sağlayacağı kanısına gelince,
belirtmek gerekir ki, bu bir yanılgının sonucudur. Değerlendirmenin sonucunda ortaya
çıkacak gerçek, örneğin personelin yer değiştirmesini gerektiriyorsa, bunun en açık
anlamı, o kimsenin yeni görevinde daha başarılı olacağı ve bireyin daha çok doyum elde
edeceğidir.
Bireyin örgüt içindeki konumunda anlamlı bir değerlendirmeye dayanılarak yapılacak
değişiklik, örgüt açısından olduğu kadar birey açısından da olumlu sonuçlar verecektir.
Dolayısıyla, dikey hareketlilikten yatay hareketliliğe kadar bütün görev değiştirmeler
değerlendirmenin sonucu ile ilişkili olmak zorundadır. Ancak, bu şekilde hem bireyin
hem de örgütün gereksinmeleri ve bekleyişleri ve bunun yanında nitelikleri dikkate
17
alınmış olarak bir örgütsel düzenleme yapılmış olabilir. Örgüt içinde bireyi kendisine
uygun düşmeyecek yerlerde çalıştırmak, ona niteliklerine uygun gelmeyen görevler
vermek, personel değerlendirmesinden yararlanılarak önlenebilecektir [32].
3.3.1 Performans Değerlendirmenin Yararları
Her ne kadar performans değerlendirme kavramının işletmelerde uygulanması bazı
yöneticiler tarafından ek iş, külfet ve zaman kaybı olarak algılanırsa da, organizasyon
yaşamında iyi işleyen bir performans değerlendirme sisteminden en fazla yararlanacak
olan kişiler gene de yöneticiler olacaktır [4].
Aşağıda sistemi değerlendirenler (yöneticiler) açısından performans değerlendirmenin
yararları özetlenerek belirtilmiştir [33].

Planlama ve kontrol işlevlerinde daha etkili olur, böylece astların ve birimlerin
performansı gelişir,

Astları ile aralarındaki iletişim ve ilişkiler daha olumlu hale dönüşür,

Astların güçlü ve gelişmesi gereken yönlerini daha kolay belirler ve bu
doğrultuda onlara yardımcı olurlar,

Astlarını değerlendirirken kendi güçlü ve güçsüz yönlerini de tanırlar,

Astlarını daha yakından tanıdıkça, yetki devri kolaylaşır,

Yönetsel becerilerini geliştirirler ya da bu becerileri rahatlıkla uygulayabilecekleri
koşulları elde ederler.
Performans değerlendirme sisteminin değerlendirilenler açısından yararları
da şu şekilde özetlenebilir [34]:

Kendi rolünü belirleme ve ona açıklık kazandırma,

Çalışma ilişkilerinin iyileştirilmesi,

İşten elde edilen doyumun artmasıyla kendine güven duygusunun gelişmesi ve
kendindeki güçlü yönleri öğrenme olanağı,

Örgütün ve kendi biriminin hedeflerini tartışma olanağı,
18

Sağlanan eğitimle ilişkilerin görülmesi,

Gelişmeye ilişkin planlarla ilişkilerin görülmesi.
Yukarıda yöneticiler ve astlar için özetlenen yararları, performans değerlendirmenin
organizasyonun bütünü için daha genel ve kapsamlı olumlu sonuçlar yaratmasına
neden olur. Bunların bazıları aşağıda belirtilmiştir [33]:

Organizasyonun etkinliği ve kârlılığı artar,

Hizmet ve üretimin kalitesi gelişir,

Eğitim ihtiyacı ve eğitim bütçesi daha kolay ve doğru biçimde belirlenir, insan
kaynaklarının planlanması için gerekli bilgiler daha güvenilir bir biçimde elde
edilir,

Bireylerin gelişme potansiyelleri daha doğru belirlenir,

Kısa dönemli beşeri ihtiyaçların giderilmesinde esneklik sağlanır (devamsızlık,
işgücü devri vb. nedenlerle ortaya çıkan).
3.3.2 Performans Değerlendirmenin Sakıncaları
Performans değerlendirmenin yukarıda sayılan muhtemel yararları yanında potansiyel
zararları da vardır. Bunlar aşağıdaki gibidir [34]:

Adil
bir
performans
değerlendirme
sisteminin
olmaması
işgörenin
motivasyonunu bozar.

Performans değerlendirme programlarının çoğu kez farklı ve zıt amaçları entegre
etmeye teşebbüs etmesidir. İşgören ürettiği işlerin resmi bir değerlendirmeye
tabi tutulduğunu bildiği zaman, üstü ile performansı hakkında açık ve samimi bir
şekilde güçlükle tartışır.

Değerlendirmenin, özellikle de eleştiriyi kabul etmek istemeyen işgören söz
konusu olduğu durumlarda, günlük çalışma ilişkilerine zarar verdiği iddia
edilmektedir.

İşgören, geçmişte iyi planlanmamış sistemlerle ilgili kötü deneyimlere sahipse,
değerlendirme işlemine şüphe ile bakabilir.
19

Performansın değerlendirilmesinde kullanılan uygun standartların muhafaza
edilmesi de sürekli bir sorun oluşturmaktadır.

Değerlendirme yapan şahıslar çoğu kez kötü puan vermekten kaçınmakta ve bu
da önemli bir sorun yaratmaktadır.

Aynı zamanda değerlendirmeyi etkileyen taraflı veya ırkçı davranışlar da
olabilmektedir.

Değerlendirme programlarının uygulanması hem vakit almakta, hem de çok
pahalıya mal olmaktadır. Ayrıca çok meşgul olan yöneticilerin bu işleme yeterince
ilgi göstermeye ikna edilmesi de zor olabilir.

Eğer ücrete dayalı performans değerlendirme sistemi uygulanıyorsa ücretin adil
bir şekilde performansa dayandırılması da zor olabilir.
3.4
Performans Yönetim Sisteminden Beklentiler
Performans yönetim sisteminden beklentiler iki taraflı olarak değerlendirilir. Öncelikle
organizasyonun çalışanının performansından beklentileri inceleyeceğiz. Sonrasında
çalışanın performans değerlendirme sisteminden beklentilerini inceleyeceğiz.
3.4.1 Organizasyonun Hedefleri:
Performans yönetiminden beklentiler organizasyon için de önemlidir. Burada
performansın iyileştirilmesi için organizasyon da belli hedefler belirlemelidir [35].

Hangi işlerin yapılacağının açıklığa kavuşturulması,

İşlerin nasıl yapılacağının çalışanlarla birlikte planlanması,

Terfi ve ücret konularında verilecek kararlara yardımcı olması (işe göre ücret
sisteminin uygulandığı yerlerde),

Çalışanlar için geri besleme aracı olması,

Eğitim, geliştirme, çalışanlara yardım gibi çeşitli konularda verilecek kararlar için
veri sağlaması,

Organizasyonun hedeflerini ve misyonunu uygulaması
20
3.4.2 Bireysel Performans Hedefleri:
Tek tek elemanlar için de işe ilişkin belli hedefler saptanmalıdır. İş tanımlarından ve iş
analizinden türetilen bu hedefler, yapılan her işte performansla ilgili beklentileri saptar.
Böylece işgörenler kendilerinden ne beklendiğini anlamış olurlar. Ayrıca, işe ilişkin açık
seçik hedefler, işgörenlerin kendileri hakkında yapılacak değerlendirmenin hangi
temelde yürütüleceğini bilmesini sağlar.
Gelişmelerini sağlayan bir yönetim sistemi ve açık seçik tanımlanmış performans
hedefleri sayesinde, çalışanlar kendi kişisel gelişimlerinin kontrolünü ellerinde
tutabilirler, iş beklentilerine bu şekilde yaklaşmak çalışanların kendi kendilerini
eğitmesini teşvik eder, onları gayrete getirir, kişisel ve mesleki bakımdan atılım
yapmaları için onları cesaretlendirir ve özgüvenlerini artırır. Çalışanlar kendilerini iş
koşullarının saptanmasında vazgeçilmez bir unsur olarak görür ve daha üretken olmaya
yönelirler.
Yeni bir eleman işe başladığında, genellikle kendisine görev ve sorumluluklarını
gösteren bir iş tanımı verilir. Etkili bir performans değerlendirme sistemi, o elemana
kendisinden ne beklendiğini ve işte karşısına ne gibi fırsatlar çıkabileceğini göstererek,
bu iş tanımı tamamlar.
Objektif ölçütlerle oluşturulmuş bir performans değerlendirme sistemi kişilere
kendilerini geliştirme ve eksiklerini gidermede de yardımcı olur. Performansın
iyileştirilmesi için yöneticilerle çalışanların işbirliği yapmasından herkes yarar görür
[13], [35].
3.4.3 Performans Değerlendirmenin Kullanım Alanları
Performans değerlemesi bilgilerinin oldukça geniş bir kullanım alanı vardır. Komuta ve
insan kaynakları yöneticilerinin personele yönelik tüm kararlarında bilgi kaynağı
personel performans değerlemesidir [36].
Performans değerlemesi bilgilerinin başlıca kullanım alanları aşağıdaki gibi sıralanabilir:
 Stratejik planlama,
 Ücret-Maaş yönetimi,
21
 Kariyer geliştirme sistemi,
 İşten ayırma kararlarının belirlenmesi,[4]
 Eğitim ihtiyacının belirlenmesi,
 Personelin uyarılması,
 Yerleştirme kararlarının alınması,
 İş tasarımında yapılan yanlışların belirlenmesi,
 Personel envanterinin çıkarılması, [36]
 İşgörenlerin güçlü ve zayıf yanlarının ortaya çıkarılması,
3.5
Performans Değerleme Süreci
PDS’nin başarısı, öncelikle görev ve iş analizinin yapılması, iş ve görevlerin tanımlanmış
olması gerekliliktir. Bunu çalışanların ölçümlenecekleri değerlendirme boyutları olan
kriterlerin tanımlanması işlemine geçilebilir [3].
Kriterlerin seçiminde göz önünde bulundurulması gereken noktalar şöyle sıralanabilir:

Kriterler işin özelliğine ve sorumluluk düzeyine uygun olarak seçilmelidir.

En azından işçi, büro elemanları ve yöneticiler için farklı kriterler kullanılmalıdır.

Kriter seçiminde sadece iş verimi değil, aynı zamanda işgören davranışları da göz
önüne alınmalıdır.

Kriterler açık ve anlaşılır olmalıdır.

Kriter sayısı sınırlandırılmalı ve 10'u geçmemelidir.
Genel çizgileriyle değerlemeye temel olan kriterler dört grupta toplanabilir.

Çalışmanın temel nitelik ve niceliği,

İş bilgisi ve yeteneği,

Bireysel özellikler,

Bireyin ilişki ve davranışları
22
Bazı kriterler sayıyla belirtildiği gibi sıfatlarla da belirtiler (Çok iyi, çok kötü gibi) [37].
Örneğin;
İş bilgisi: Çok iyi, iyi, orta, yeterli, yetersiz
İş yeteneği: Yetersiz, yeterli, orta, iyi ,çok iyi
3.5.1 Değerlendirme Standartlarının Belirlenmesi
Performans standartları hem üst hem de ast için iki tür bilgi içermektedir. Bunlardan
birincisi “neyin yapılması gerektiğidir” ki bu sorunun yanıtı görev tanımlarında yer
almaktadır. Diğer ise nasıl yapılması gerektiği konusunu içermektedir. Bu sorunun
yanıtı ise performans standartları sayesinde ulaşılmak istenmektedir [27].
Bir başka değişle, standartlar, değerleme hedeflerinin belirlenmesini ifade ederler.
Performans standartları, genellikler kantitatif ve kalitatif olmak üzere ikiye ayrılır.
Kantitatif standartlar, belirli bir işin gerçekleşmesi için gerekli zaman, yapılan hata
sayısı, ziyaret edilen müşteri sayısı yer alırken; Kalitatif standartlar için ise işin kalitesi,
verileri analiz etme gibi ölçütleri içerir [38].
Standartların başarılı olabilmesin için spesifiklik, ölçülebilirlik, geçerlilik özelliklerini
taşıyor olması gereklidir [39].
Performans değerlemede standardın veya bir standart oluşturmanın zorunlu olduğunu,
geliştirilecek standardın gerçekçi, ayırıcı, değerleyen ve değerlenen tarafından kolay
kabul edilir faktörlerden oluşması gerekir. Ayrıca saptanacak standartların işin istenen
yönüyle ilgili olması gerektiğini, işin geliştirilmek istenen yönüne bağlı standartların
performans değerlemede etkinliğini sağlayacağını unutmamak gerekir [40].
3.5.2 Performans Kriteri ile Standardı Arasındaki Fark
Bazı kaynaklarda kriter ve standart kavramları eş anlamlı olarak kullanılmaktadır. Ancak
iki terim farklı anlamlar içermektedir. Kişinin yaptığı işin miktar, süre, kalite, maliyet vb.
unsurlarına ilişkin olarak kendisinden bekleneni belirleyen ölçüyü performans
standardı olarak tanımladığımızda, standardın kriterden farklı olarak bir değer-ölçü
içermesi gerektiği anlaşılmaktadır [35].
23
Söz konusu fark basit bir örnekle şöyle açıklanabilir: Bir satış elamanının
değerlendirilmesinde, satılan ürünün birim miktarı bir kriter olarak kabul edildiğinde,
bu kişin ayda 100 birim satması belirlenen standartlara göre mükemmel, 80 birim
satması ise tatminkar/vasat bir performans düzeyini gösterecektir [4].
3.5.3 Performans Değerleme Periyotlarının Belirlenmesi
Değerleme çalışması, kurum ve işletmelerin hedeflerini belirlemede, neyi nasıl
yapabildiğini ortaya koymasında önemli olmakla birlikte, zaman sınırı olan çağdaş
işletmelerde değerleme çalışmalarını çok sık kullanmanın pek verimli sonuç yaratmaz.
Bu nedenle günümüzde en uygun görülen değerleme aralığı altı aylık veya bir yıllık
aralarla yapılan uygulamalardır [32].
Performans değerlendirmenin ne zaman yapılacağı ve kim tarafından yapılacağı işin
özelliklerine
göre
değişmektedir.
Bu
nedenle
de
çalışanların
performans
değerlendirmesinin ne zaman yapılacağını bilmesi gerekmektedir [41].
Başka bir görüşe ise değerlendirmenin belli tarihlere bağlanması yerine belli durumlara
bağlanması uygun olur. Belli durumlar kişiye ve göreve göre değişik olabilir. Örneğin bu
görüşe göre değerlendirmeye ancak kişinin örgüt, görev ya da amir değiştirmesi veya
görevin kapsam ve özünde, kullanılan yöntemlerde esaslı değişikliklerin olması gibi belli
durumlarda başvurulur [42].
3.5.4 Değerleyicilerin Belirlenmesi ve Eğitimi
Bu aşamada değerlendirmeyi yapacak grubun yetiştirilmesine ağırlık verilir.
Kullanılacak değerleme yöntemlerine ilişkin kriterler, dereceler tanıtılır, kullanılan
kavramlar açıklanır, değerleme formlarının doldurulması öğretilir ve bir takım yararlı
öğütler verilir. Bu amaçla da eğitici toplantılar düzenlenir ve özellikle değerleme
sırasında objektif davranmaları, bazı peşin yargılara ve duygusal nedenlerle haksız
değerlemelere gitmemeleri önerilir. Yapılan değerlemenin bir yandan işgörenin
denetimini sağlarken, öte yandan kendileri için özdenetim niteliği taşıdığı belirtilir.
24
Değerlemecilerin eğitiminde insancıl ilişkilere özel bir yer verilebilir. Değerlemeye tabi
tutulacak işgörenlere karşı iyi davranmanın, onların güven ve anlayışını sağlamanın
önemi ve yöntemleri öğretilmeye çalışılır [1].
3.5.5 Değerleme Yönteminin Uygulanması
Performans değerleme amacına yönelik olarak pek çok yöntem söz konusudur. Bu
yöntemler; işletmenin, işin ve çalışanların özellikleri, saptanan amaçlar, seçilecek
yöntemin avantaj ve dezavantajları gibi etkenler dikkate alınarak belirlenir. Sonraki
aşamada ise, detaylarıyla birlikte saptanan performans değerleme yöntemi
uygulamaya konulur [20].
3.6
Performans Değerlemede Sıklıkla Ortaya Çıkan Problemler
İnsan kaynaklarına ilişkin hiçbir uygulamanın mükemmel olması beklenemez. İnsanlar
söz konusu olduğu zaman; çok sayıda ihtiyaç, duygu, değer ve tutum işin içine karışır.
Yanlış bir şekilde ele alınan performans değerlendirmesi, kişisel sorunları performans
sorunlarıyla karıştırmaya eğilim gösterir. Birçok sorun, nezaretçilerin ve yöneticilerin,
çalışanların performansını nasıl yükseltecekleri konusunda büyük ölçüde eğitimsiz
olmasından doğar. Performans değerlendirmelerinin planlanması ve gerçekleştirilmesi
konusunda eğitim görmüş yöneticiler bile çok kez elemanlarının yaptıklarını nesnel ve
etkili şekilde değerlendirmeyi güç bulurlar. Bu yüzden adil, objektif ve işe ilişkin bir
performans değerlendirme sistemi kullanmanın çok büyük önemi vardır. Şimdi,
performans değerlendirmelerini planlarken ve gerçekleştirirken sık sık karşılaşılan bazı
sorunlar açıklanacaktır [43].
3.6.1 Halo ve Horn Etkisi
Hale etkisi; yöneticinin bir elemanını, belli bir iş alanındaki mükemmelliğine bakarak,
diğer alanlarda da olduğundan daha yüksek değerlendirmesidir. Örneğin bir eleman
araştırma projeleri için veri toplamakta çok başarılıysa, onun işin diğer alanlarında da
aynı ölçüde başarılı gibi değerlendirmek kolaydır. Oysa o elemanın aslında bu diğer
alanlarda o kadar başarılı olmayabilir.
25
Hale etkisi ters yönde de işleyebilir. Bir eleman işin bütün yönlerinde başarılı olduğu
halde bir tek yönde pek başarılı değilse, bu başarılı olmadığı yönünde öne çıkarılması
"boynuz etkisi"(horn) diye bilinen durumu ortaya çıkarır. Bu durum o elemanın başarılı
olduğu konularda olduğundan daha düşük değerlendirilmesine yol açabilir. Hale ve
boynuz etkilerine dayanan değerlendirmeler çalışanların gelişmelerine yardımcı olmaz
[44].
Örneğin, bir çalışanın çok iyi planlama yaptığını ancak iletişim becerisinin düşük
olduğunu varsayalım. Bu çalışanın yöneticisinin, kişinin sadece planlama becerisini
dikkate alarak bu başarıyı genele mal etmesi ve kişiyi olumlu değerlendirmesi, halo
etkisi olarak adlandırılmaktadır. Tersi bir şekilde, çalışanın belirli bir alandaki
başarısızlığının genele mal edilerek, olumsuz değerlendirilmesi ise horn etkisi olarak
adlandırılır [30].
3.6.2 Ölçüt Sorunu
Performans değerlendirme sırasında yaşanan bir diğer problem ise ölçüt problemidir.
Burada kişiyi olduğundan iyi veya kötü değerlendirme riski vardır. Aşağıda daha detaylı
bir şekilde ölçüt sorunları anlatılmıştır.
a)Yüksek değerlendirme: Değerlendiricinin, tartışma ortamından kaçındığı için, bir
çalışanı veya bir grup çalışanı olduğundan daha yüksek değerlendirme eğiliminde
olmasıdır. Bu durum değerlendiricinin, çalışanları tarafından sevilmek istenmesi,
kendisine bağlı çalışanları daha başarılı göstermek ve korumak istemesi, çalışanlarını
motive etmek istemesi ve genel olarak şirketteki standartların çok düşük olmasından
kaynaklanabilir [20].
b) Düşük değerlendirme: Değerlendiricinin, gerçek başarı seviyesini dikkate almaksızın,
bir çalışanı veya bir grup çalışanı olduğundan daha düşük değerlendirmesidir.
Genellikle, deneyimsiz olan ve performansı etkileyen faktörlerin tam olarak farkında
olmayan, kendine güveni düşük olan ve kendisi de düşük değerlendirmeler alan
değerlendiricilerde bu eğilim görülür. Bunun yanı sıra, kendisini mükemmeliyetçi ve zor
26
beğenen bir yönetici olarak gösterme arzusu ve şirketteki standartların çok yüksek
olması da, bu tarz değerlendirmelerde rol oynar [20].
c) Ortalama değerlendirme: Bazı değerlendiricilerin, bütün çalışanları ortalamada
değerlendirme eğiliminde olması gerçekte performans farklılaşsa dahi, uçlarda (çok
düşük veya çok yüksek) değerlendirmeler yapmaktan kaçınmasıdır. Genellikle
kendisine bağlı çalışan sayısı yüksek olan ve çalışanlarının performansını yakından
gözlemleme fırsatı bulamayan yöneticiler, bu tarz değerlendirmeler yapma
eğilimindedir [20].
3.6.3 Geçmişte Meydana Gelen Olaylardan Etkilenme
Değerlendirenlerin, çalışanın yakın geçmişteki iyi yada kötü davranışlarından
etkilenerek değerlendirme yapmalarıdır [45].
Bunu önlemek için, yöneticilere dönem boyunca çalışanların performanslarına ilişkin
not tutmaları önerilmektedir.
3.6.4 Kontrast Etkisi
Kullanılan değerlendirme kriterlerinin net olmadığı veya sıralama yönteminin (ranking
method) kullanıldığı durumlarda kontrast hataları ortaya çıkar. Örneğin, performansı
düşük bir çalışanla kıyaslanan, ortalama performansa sahip bir çalışan çok başarılı
algılanırken, performansı yüksek bir çalışanla kıyaslanan, ortalama performansa sahip
bir çalışan çok başarısız algılanır [20].
Ayrıca kişilerin başarılı ya da başarısız olarak gruplandırılmadan, karışık bir sıra ile
değerlendirilmeleri önerilmektedir [4].
3.6.5 Pozisyondan Etkilenme
Bazı
değerlendiricilerin,
değerlendikleri
kişinin
pozisyonundan
etkilenerek,
organizasyonda çok önemli görülen bir iş ve pozisyonlardaki çalışanları yüksek, görece
önemsiz kabul edilen iş ve pozisyonlardaki çalışanları düşük değerlendirme eğilimde
olmasıdır. Değerlendirme sisteminde, her işten beklenenlerin, değerlendirme
27
kriterlerinin net olarak tanımlanması, bu tür değerlendirme hatalarını engellemeye
yardımcı olacaktır [30].
3.6.6 Kişisel Önyargılar
Bazı kişiler çeşitli konulardaki önyargılarını performans değerlendirme sistemlerine de
yansıtırlar. Özellikle iki kişinin (değerlendiren ile değerlendirilen) geçmişteki ilişkilerine,
yaş, cinsiyet, din ve ırka ilişkin çeşitli önyargıları bu tür kişisel önyargılara verilecek en
tipik örneklerdir. Performans değerlendirmede bu doğrultuda yapılacak diğer bir hata
ise organizasyonun bir birimi ya da çalışanların bir grubu için önyargılı davranmaktır. Bu
gibi durumlarda değerlendirici kişilerin bireysel performansına ağırlık vererek bu tür
hataları önleyebilir [46].
3.6.7 Objektif Olmama
Performans değerlendirmede karşılaşılan en büyük güçlüklerden birisi, hangi şart ve
konumda olunursa olunsun objektiflikten ayrılınmaması gereğidir. Performans
değerlendirmesi yapmanın amacı, belirlenen hedef ve amaçlar doğrultusunda yapılan
işi değerlendirmektir. Buna rağmen çoğu zaman kişilik, davranış ve kişisel konular da
işin kapsamı içine katılır ve değerlendiren sübjektif değerlendirmeler yapar. Kişisel
kanıların dahil edilmesi, objektif değerlendirme yapma olanağı bırakmayacaktır [47].
3.6.8 Değerlendirme Sonuçlarına İlişkin Sorunlar
Değerlendirme konusunda en çok tartışılan konulardan biri de, gizlilik açıklık sorunu
olmuştur. Değerlendirme sonuçları ilgiliye aktarılsın mı? Yoksa gizli mi tutulmalıdır?
Eğer sonuçların ilgiliye aktarılması uygun görülürse, bunun yöntemi ne olmalıdır? Konu
üzerinde yapılan araştırmalar, değerlendirilenlerin olumsuz değerlendirmelere sert
tepki gösterdiklerini ve değerlendirmeyi yapanlara karşı saldırgan bir tutum ve davranış
içine girebildiklerini göstermiştir [48]. Bu tür tutum ve davranışlar nedeniyle,
yöneticiler ya değerlendirme sonuçlarını gizli tutma eğilimi içerisini girmişler ya da bu
sorumluluklarını başkalarına aktarma yolunu seçmişlerdir. Oysa, değerlendirme
sonuçlarının ilgililere amirleri tarafından bildirilmesinin çeşitli yararları vardır. Her
şeyden önce ilgili kişi bu suretle durumunu açıkça öğrenmiş olur.
28
Değerlendirme sonuçları konusunda değerlendirilenlere bilgi verilmedikçe, eksikleri,
hataları ve yanılgıları ortaya konulmadıkça, kişinin kendisini geliştirilmesi zorlaşır ve bu
konuda değerlendirmeden beklenen yarar da engellenmiş olur. Ayrıca, değerlendirme
sonuçlarının ilgililere bildirilmesi, amirleri, değerlendirme işini daha ciddiye almaya ve
ifade ettikleri kanaatleri objektif vakalara ve gözlenebilir olaylarla desteklemeye zorlar.
Bu konuda işgören ve amiri arasında adil ve gerekli zaman aralıklarında geri besleme
sağlanmaması aralarındaki güven duygusunun zayıflamasına neden olabilir [49].
29
BÖLÜM 4
4. PERFORMANS DEĞERLENDİRME YÖNTEMLERİ
Günümüzde şirketler çalışanlarının performansını belirleyebilmek için oldukça farklı
yöntemler uygulamaktadırlar.
4.1
İkili Karşılaştırma
İkili karşılaştırma yönteminde, her bir kişi diğeri ile tek tek karşılaştırılır. Karşılaştırılacak
kişi sayısının fazla olması, karşılaştırma sayısını artıracağından, yöntemin kalabalık
gruplarda uygulanması zaman alıcı olacaktır. Bazen bu teknikte kişilerin adları yazılı
olan kartları kullanmak kolaylık yaratabilir. Daha önce belirlenen çiftlerin birbirleri ile
karşılaştırılması sonucunda başarılı olan kişinin yanına konan işaretler toplanır ve en
çok işaretli olandan en az olana doğru sıralama yapılır. Karşılaştırılacak kişi sayısının
fazla olması karşılaştırma sayısını artıracağından, yöntemin kalabalık gruplarda
uygulanması zaman alıcı olacaktır. Karşılaştırma sayısı (4.1) eşitliği yardımıyla
hesaplanır [50]:
Karşılaştırma Sayısı =n (n-1) / 2
(4.1)
Burada n karşılaştırılacak kişi sayısıdır.
Uygulamada en kolay, en az zaman alıcı ve en ucuz bir yöntem olan ikili karşılaştırma ve
sıralama yönteminin kullanım alanı oldukça sınırlıdır.
Çünkü bu yöntemde genellikle kişinin genel başarı durumu, organizasyon için taşıdığı
değer ya da organizasyona katkısı gibi ifadelerle belirtilen tek bir genel kriter dikkate
alınarak karşılaştırmalar yapılmaktadır [51].
30
Açıklamalar: Aşağıda Çizelge 4.1'de değerleme çalışmasında her çalışanı farklı bir harfle
tanımlayın. A-Ahmet B-Burak gibi. Sonra aşağıdaki örneğe benzer bir çizelge yapın. İkili
karşılaştırmalar yaparak, size göre üstün olan çalışanın harfini, karşılaştırmalar
yaptığınız kutunun içine yazın.
Çizelge 4.1 İkili karşılaştırma yöntemi örneği
A
B
C
D
E
A
A
A
A
B
C
D
E
C
C
E
A
D
E
E
Çalışanın pozitif değerlemelerini bulmak için [47];
Pozitif Değerleme Sayısı x 100 = Çalışanın toplam pozitif değerleme %si
Toplam Değerleme Sayısı (4.2) eşitliği yardımıyla hesaplanır;
A
B
(4÷4) x 100
(0÷4) x 100
= % 100
=%0
4.2
C
(2÷4) x 100
D
E
(1÷4) x 100
(3÷4) x 100
= % 25
= % 75
=% 50
(4.2)
Sıralama Yöntemi
Sıralama yöntemi klasik performans değerlendirme yöntemlerindendir. Burada amaç
kişiyi diğer çalışanlarla karşılaştırmaktır. Değerleyici, bunu yaparken kişiyi ve
performansı bir bütün olarak göz önünde bulundurur. Karşılaştırmada tüm işgörenler,
işbirliği, tutum, kişisel girişim gibi bir veya daha fazla nitelik açısından en iyi olanından
en zayıf olanına göre sıralanırlar [52], [53].
Bu yöntemde bir çizelge hazırlanır ve en iyi olan çalışan çizelgede en üstte yazılır, en
altta ise en başarısız işgören yer alır.
31
Aşağıda karşılaştırma formülü yer almaktadır.
Burada n karşılaştırılacak kişi sayısıdır.
Karşılaştırma sayısı= n (n-1) / 2
4.3
(4.3)
Grafik Dereceleme Yöntemi
Derecelendirme ölçekleri basılı formlar şeklinde düzenlenir ve ilk amirlerin verilen
talimata göre bu formları doldurmaları istenir. Formlar işin miktarı ve kalitesi, iş bilgisi,
işbirliği anlayışı, karar verme, planlama, liderlik ve yaratıcılık gibi ölçülmek istenen bir
dizi etmeni içerir. Değerlendirici, her etmen için çok yetersiz den çok iyiye kadar olan
basamaklardan çalışanı en iyiyi tanımlayanı seçer. Performans değerlendirmede çok
kullanılan ve en eski ölçüm tekniklerinden birisidir. Derecelendirme ölçeğinde
performansı belirleyen değişkenler açısından işgörenin belirli noktalara göre
değerlendirilmesi söz konusudur. Değerlendirme çoğu zaman sayısal bir değere
indirgenir [54].
4.4
Zorunlu Dağılım Yöntemi
Zorunlu dağılım yönteminde çalışanların performansları karşılaştırıp, onları belirli yüzde
oranlarına göre farklı performans düzeylerine dağıtılacaktır. Performans yönetiminde
zorunlu dağılım yönteminin kullanılma sebebi çalışanlar arasında hassas ayrım
noktalarını öngörebilmektir. Örgütlerde bireylerin kişilik özelliklerinde olduğu gibi,
performans düzeylerinde de normal dağılım eğrisine (çan eğrisine) uygun bir dağılım
göstermeleri varsayımından hareket eder. Burada işgörenler 5 skalaya yerleştirilir [33].
%15 En Yüksek Performans
%20 Yüksek Performans
%30 Orta Seviyeli Performans
%20 Düşük Performans
%15 Çok Düşük Performans
Çalışanların performans düzeylerinin çan eğrisi biçiminde oluştuğu bu yöntemdeki en
büyük sorun az sayıda çalışan grubuna uygulanamamasıdır.
32
Ayrıca dağılım her ne kadar normal bir eğri görünümünde olsa da, bazı çalışanların tam
anlamıyla derecelendirilememesi nedeniyle hatalar olacaktır [55].
4.5
Geleneksel Değerleme Skalaları Yöntemi
Grafik değerleme skalaları olarak adlandırılan geleneksel değerleme skalaları işletme
organizasyonlarında en çok kullanılan yöntemlerden biridir. Geleneksel değerleme
skalası yöntemi çok yaygın bir şekilde uygulanmasına rağmen, geçerlilik ve güvenilirliği
düşük olan ve değerlendiricilerin çeşitli değerleme hataları yapmasına neden olan bir
performans değerleme yöntemi olarak kabul edilmektedir. Ancak kolaylıkla
düzenlenebilmesi, sonuçların puanlarla ifade edilip, çeşitli personel kararlarında
rahatlıkla uygulanabilmesi, yöntemin kullanım alanının genişliğini göstermektedir.
Geleneksel değerleme skalasını kullanan sistemler değerleme faktörlerini açık ve net
bir
şekilde
tanımlayarak,
tüm
değerlendirenlerin
aynı
tanımları
izleyip,
benimsemelerini sağlarlarsa, yönetim daha sağlıklı sonuçlar vereceği görülecektir [51].
4.6
Kritik Olay Yöntemi
Bu yöntemde değerlemeyi yapacak olanlardan, değerleme dönemi içerisinde
değerleyecekleri her işgörenin başarısını ya da başarısızlığını gösteren kritik olayları bir
forma kaydetmeleri istenmektedir. Örneğin, ihmal sonucu bir ast, bir aracın
bozulmasına neden olmuşsa, bu işgören için aleyhte bir olay, işgören özel çaba sonucu
masraflarda kısıntı sağlamışsa, lehte bir olay olarak değerleme formuna kaydedilir.
Bu yöntem, yöneticilerin astlarının davranış ve hareketlerini çok yakından izlemelerini
ve denetlemelerini gerektirmektedir. Bu denetim, öyle bir düzeye vardırılabilir ki, astlar
yaptıkları her hareketin yöneticilerin karar defterlerine kaydedileceği düşüncesinden
rahatsız olabilirler ve hatta bu yüzden verimliliklerinde düşme meydana gelebilir [21],
[52].
Değerlemeciye bir kılavuz verilerek gözlem ve kayıtlarında kendisine yardımcı olunur.
Uygulamalarda genellikle aşağıdaki alanlarda kritik olay toplanmıştır.
33
Bu alanlar şunlardır:[1]
a) Fiziksel yeterlik,
b) Düşünsel yeterlik,
c) İş alışkanlıkları ve tutumları,
d) Kişisel özellikler,
e) Karakter.
4.7
Kontrol Listesi Yöntemi
Kontrol listesi yöntemi iki ayrı başlıkta incelenecektir. Bunlar; ağırlıklı işaretleme listesi
yöntemi ve zorunlu seçim yöntemidir.
4.7.1 Ağırlıklı İşaretleme Listesi
Çalışanın çalışması ve davranışlarını belirlemek amacıyla bir seri sorunun bulunduğu bir
liste kullanılır. Bu liste işleri iyi tanıyan insan kaynakları yöneticileri ve uzmanlar
tarafından hazırlanır. Listedeki soruların taşıdığı öneme göre ağırlıkları belirlenir.
Sorular genellikle “EVET” – “HAYIR” biçiminde yanıtlanır. Değerlendirilen kişi bu
soruları yanıtlamakla yükümlüdür, soruların ağırlıklarını bilmemektedir. Daha sonra
insan kaynakları departmanı tarafından işaretlenenlerin puan değerleri ile ağırlıkları
çarpılarak ağırlıklı değerler saptanır ve performans derecesi bulunur [56].
Değerlendiren, her ağırlık değerinden haberdar olmamakla birlikte, olumsuzdan olumlu
sorulara doğru ayırt edebilir. Böylece arzu edilirse, eğilim hakkında yargıda bulunabilir.
Bu durumda değerlendirenin tutarlı bir çalışma yapıp yapmadığını anlamak için aynı
soru iki kere, fakat farklı bir tarzda sorulur. Aynı sonuç alınırsa, değerlendirenin
görüşünde samimi olduğu anlaşılır. Bu yöntemin uygulanmasının kolaylığı yanında
güçlükleri de bulunmaktadır. Sistemin kurulması ve ağırlıklandırılması önemli bir
sorundur. Uygun bir soru listesini hazırlamak ve her iş kümesi için bir liste oluşturmak
kolay değildir. Fazla zaman ve para harcanmasını, istatistikçiler ile psikologların
istihdam edilmeleri gerekmektedir [21].
34
4.7.2 Zorunlu Seçim Yöntemi
Zorunlu seçim yönteminde, değerlendirme formu her biri dört cümleden oluşan çok
sayıda dörtlüklerden oluşmaktadır. Her dörtlükteki cümlelerden iki tanesi olumlu, iki
tanesi de olumsuzdur. Her cümleye verilen ağırlık değerlendirenden gizlenmiştir. Amaç,
değerlendirenlerin
önyargı ile değerlendirme
yapmalarını engellemektir. Yapılan
değerlendirilmelerin sayılandırma işlemi insan kaynakları yetkililerince yapılmaktadır.
Değerlendirenlerden, her dörtlükteki cümlelerden biri değerlendirilenin durumuna en
çok, diğeri de en az olmak üzere iki cümle işaretlemesi istenir. Gerçekte her dörtlükteki
iki olumlu ve iki olumsuz cümlelerden yalnız birer tanesi işteki başarıyı ve başarısızlığı
göstermektedir. Cümleler okunduğunda bunlardan hangisinin olumlu, hangisinin
olumsuz olduğu anlaşılmamaktadır [2].
Değerlendirenler mümkün olan en iyi biçimde çalışanın davranışlarını rapor etmek ve
davranışlara uyduğunu düşündükleri cümleleri işaretlemek durumundadırlar. Bu
nedenle zorunlu seçim yöntemi, diğer yöntemlerden daha nesnel ve kişisel
önyargılardan daha çok arınmış görünmektedir. Ancak, hazırlanmasının çok güç ve
zaman alıcı olması nedeniyle eleştirilmektedir [21].
4.8
Direkt İndeks Yöntemi
Bu yöntemde performans standartları, ya yönetici tarafından tek başına ya da yönetici
ile astın birlikte görüşmeleri sonucu belirlenir. Her iki durumda da performans
standartları, işin gerektirdiği sonuca göre verimlilik, devamsızlık, işgücü devri gibi kişisel
olmayan, global nitelikte ve objektif kriterlere dayanmaktadır. Örneğin; yöneticiler için
astların devamlılığı ya da işten ayrılma oranları birer değerlendirme kriteri
oluştururken, personel ise, kalite ve miktar standartlarına göre değerlendirilirler.
Hatalı ürün miktarı, müşteri şikâyetlerinin sayısı, üretilen parça adedi gibi miktar
standartları değerlendirme kriterlerini oluşturur [3].
Bu kriterlere göre belirlenen hedeflere ulaşmadaki performans düzeyleri puanlarla
belirlenmiş olduğundan; bu sayısal değerlerin toplamı, genel performansın sayısal
indeksini verecektir [4].
35
4.9
Standartlar Yöntemi
Standartlar yöntemi, direkt indeks yöntemine benzemekle birlikte, bu yöntemde global
çıktı kriterleri ve sayısal standartlar yerine, fiili sonuçlar ve daha ayrıntılı performans
standartları kullanılmaktadır. Performans standartları, özellikli, öncelikli ve işletmenin
amaçlarına uygun olmalıdır. Amaçlardan tek farkı daha çok ve detaylı olmalarıdır [3].
Söz konusu standartlar personel ile amiri ya da çalışanların oluşturduğu bir grup ile
amirlerin görüşler sonucunda belirlenir. Bu yöntem Amaçlara Göre Yönetim
yaklaşımının yönetici olmayan personele uygulanması şeklindedir.
4.10 Amaçlara Göre
Amaçlara göre yönetim yaklaşımının temel noktası her bir çalışan veya yöneticinin
performansını gelecekte yapacağı işe göre geliştirmek ve hazırlamaktır. Bu durumun
gerçekleştirilmesinde ideal olan, amaçlar üzerinde çalışan ve yöneticinin karşılıklı
kabulünün olması ve objektif olarak ölçülebilir amaçların belirlenmiş olmasıdır [57].
Amaçlara göre yönetim altı temel adımdan oluşmaktadır. Bunları şöyle sıralayabiliriz
[58]:
1)Organizasyon Hedeflerinin Belirlenmesi: Bir sonraki sene için organizasyonun gelişme
planının ve hedeflerinin belirlenmesidir.
2)Bölüm Hedeflerinin Belirlenmesi: Burada bölüm sorumluları kendilerine ait hedefleri
belirlerler.
3)Bölüm Hedeflerinin Tartışılması: Bölüm yöneticileri kendi bölümlerine ait hedeflerle
diğer bölümlerin hedeflerini karşılaştırırlar. Gelişme ve gereksinimler belirlenir, işçilerin
departmanlara göre dağılımı yapılır.
4)Faaliyet Planlaması: Bölüm yöneticileri kısa dönem performans hedeflerini, yani ne
yapacaklarını ortaya koyarlar.
5)Sonuçların Ölçümü: Departman yöneticileri tüm çalışanların beklenen sonuçlarıyla
gerçekleşen sonuçlarını karşılaştırırlar.
36
6)Geri-Besleme:
Beklenen
sonuçlarla
gerçekleşen
sonuçlar
periyodik
olarak
karşılaştırılır ve farklılık gözleniyorsa daha sonraki aşamalar için düzeltici faaliyetler
gerçekleştirilir.
Sayılan üstünlüklere rağmen, amaçlara göre yönetimin çeşitli sakıncalarının da
bulunması, yöntemin kullanım alanlarını sınırlamıştır. Bu sakıncalar şu şekilde
belirtilebilir. Karşılaşılan en temel sorun açık olmayan ve ölçülemeyen amaçların
saptanmasıdır. Bunun yanı sıra, çalışanların niceliksel amaçlara ulaşmayı seçmesi
durumunda kalite göz ardı edilebilir. Kaliteyi belirleyen amaçların ölçülmesinin zor
olması, yönetici ve çalışanları öznel amaçlara doğru yöneltebilir [57].
Yöntemin diğer bir sakıncası da; hazırlanması için uzun zaman gerektirmesidir.
4.11 360 Derece Performans Yönetimi
360 derece geri besleme süreci (çoklu değerlendirme) performans hakkında
geribildirim sağlayan ve son dönemlerde oldukça fazla tercih edilen bir yöntemdir. 360
Derece Performans Değerlendirmenin temel amacı, performans değerlendirmesinden
ziyade, kişiye farklı kaynaklar tarafından geribildirim verilmesini olanaklı kılarak, kişisel
gelişimi sağlamaktır. 360 derece geri bildirim süreci, tüm bireylerin güçlü ve zayıf
yönlerini
anlamalarına
yardımcı
olur.
Dolayısıyla,
360
Derece
Performans
Değerlendirme, organizasyonda formal olarak kullanılan performans değerlendirme
sisteminin yerine geçen bir araç değil, formal performans değerlendirme sistemlerinin
tamamlayıcısı bir araç niteliğindedir [28]. Aynı zamanda, 360 Derece Performans
Değerlendirme yaklaşımı, sekiz temel yetenek alanında personelin çok yönlü olarak
izlenmesini kolaylaştırır [59].
1-İletişim
2-Liderlik
3-Değişime Uyabilirlik
4-Başkalarının yetiştirilmesi
5-İnsanlarla İlişkiler
6-Görev Yönetimi
37
7-Üretim ve İş Sonuçları
8-Personelin Geliştirilmesi
360 derece değerlendirmenin periyodik olarak uygulanması ve bu farklı uygulamaların
sonuçlarının karşılaştırılması, gerçekleştirilen gelişim ve eğitim faaliyetlerinin etkinliğini
ölçmeye de veri sağlayacaktır. 360° değerleme sürecinde toplanacak bilgiler; Beceri,
yetenek, kişisel özellikler/karakter, Tutum ve davranışlardır [47]. Şekil 4.1'de görüleceği
üzere 360 derece değerlendirme herkesin birbirini değerlendirmesine fırsat
sunmaktadır.
Şekil 4.1 360 derece değerlendirme şeması
38
BÖLÜM 5
5.
5.1
YAPAY SİNİR AĞLARI
Yapay Zeka
Yapay zeka (AI-Artificial Intelligence), insanlar tarafından başarılı bir şekilde
gerçekleştirilen işlerin bilgisayarlar tarafından daha iyi yapılmasını sağlamak için yapılan
çalışmaları ifade etmek için kullanılan bir terimdir [60].
Yapay zeka çalışmalarının hedefi insan beyninin çalışmalarını taklit etmektir. Bu
çalışmalar ilk olarak oyun oynama ve teorem ispatlamayla kendini göstermiştir. Satranç
gibi insanların zekasını çalıştıran oyunlarda bilgisayarlar bütün bu işlerin çok sayıda
çözüm yollarını incelemek ve bunlar içinde en iyisini seçmek suretiyle çok hızlı bir
şekilde bu işi yerine getirir [5].
Yapay zekayı, insan beyninin çalışma prensiplerini anlamak ve bu sistemi taklit etmek
gibi bir takım üstün yetenekleri sayesinde, buna benzer faaliyetleri gerçekleştiren ve
bilgisayar işlemlerini yapabilen olarak da tanımlamak mümkündür. Zekanın bir diğer
tanımı da, ilk defa karşılaşılan ya da beklenmedik bir anda meydana gelen bir olaya
veya duruma ayak uydurabilme, anlama, öğrenme, analiz ve sentez yoluyla duygu ve
düşüncelerin yoğunlaşması olarak da tanımlanabilir [61].
Günümüzde ise bilgisayarlar hem olaylar hakkında karar verebilmekte hem de olaylar
arasındaki ilişkileri öğrenebilmekte, matematiksel olarak formülasyonu kurulamayan ve
çözülmesi
mümkün
olmayan
problemler,
sezgisel
yöntemler
kullanılarak
çözülebilmektedir. Bilgisayarları bu özellikler ile donatan ve bu yeteneklerinin
gelişmesini sağlayan çalışmaların hepsi yapay zeka çalışmaları olarak adlandırılır. Bir
39
problemin çözümünü sağlayan formül ya da algoritmalar geliştirilmiş ise geleneksel
bilgisayar sistemleri problemi çözmek için yeterlidir. Fakat önemli olan problemin
çözümünün elde edilemediği durumlarda bilgisayarlara problemleri çözdürmektir.
Yapay zeka bu görevi üstlenmektedir [62].
5.2
Yapay Zekanın Gelişim Süreci
Yapay zeka alanındaki ilk gelişmeler ve araştırmalar, Turing makinesinin icadı ile
başlamıştır. Bu gelişme insanlar tarafından gerçekleştirilen birçok işlemin daha kısa
sürede daha güvenilir bir şekilde yapılabileceği düşüncesinde temellerini atmıştır. Bu
gelişme daha sonraki yıllarda bilgisayar teknolojisindeki gelişmelerin artmasına ve
genişlemesine katkıda bulunan ilk gelişme olarak kabul görmüştür [63]
Shannon ve Turing (1950) tarafından, bilgisayarlar için satranç programları yazılmış,
SNARC isimli ilk yapay sinir ağlarının temellerini oluşturan bilgisayar ise Massachusetts
Institude of Technology'de Minsky ve Edmonds (1951) tarafından yapılmıştır. Yapay
zeka adı 1956 yılında Dartmouth’da düzenlenen toplantı sonucunca ilk kez konulmuş
olup, ilk kuram ispatlayan program olan Logic Theorist (Mantık kuramı) da burada
Newell ve Simon tarafından ilk kez bu toplantıda tanıtılmıştır [64].
Yapay zeka çalışmaları değişik teknolojilerin doğmasına neden olmuştur. Çünkü günlük
olaylar ve problemler sürekli değişmektedir. Değişik yerlerde olayların farklı yönleri
insanları ilgilendirebilmektedir. Bilgisayarların insanların karar verme ve problem
çözme mekanizmalarını taklit etmesinin sağlanması da dolayısıyla farklı teknolojilerin
doğmasına neden olmaktadır. Günümüzde 60'dan fazla yapay zeka teknolojisinden
bahsedilmektedir. Bunlardan günlük hayatta kullanılanlarından bazıları; Uzman
sistemler, Genetik Algoritmalar, Makine öğrenmesi ve Yapay Sinir Ağları, Bulanık
Önermeler mantığı, Karınca Kolonisi Teorisi vb
Yapay zeka alanında yapılan çalışmalarda hepsinde hedeflenen asıl amaç,

İnsan beyninin fonksiyonlarını modeller aracılığı ile anlamaya ve çözmeye
çalışmak,

İnsan zihninin bilgi kazanma, öğrenme, icat etme gibi bir takım zihinsel
fonksiyonlarını kullanırken uyguladıkları strateji ve yöntemleri araştırmak,
40

Bu metotların formal bir hal almasını sağlayarak bilgisayarlarda uygulamak,

Bilgisayar kullanımını rahatlatmayı sağlayacak bir takım ara yüzlerin oluşmasına
yardımcı olmak,

Uzman sistemler ile genel bilgi sistemlerini geliştirmek,

Yapay zeka iş yardımcıları ve zeki robot gelişimini yapabilmek,

Bilimsel araştırma ve buluşlar için araştırma yardımcıları geliştirmek,
şeklinde sıralamak mümkündür [64].
5.3
Yapay Sinir Ağları Tanımı ve Özellikleri
Yapay Sinir Ağları, insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler
türetebilme, yeni bilgiler oluşturabilme ve keşfedilme gibi yetenekleri herhangi bir
yardım almadan otomatik olarak gerçekleştirmek amacı ile geliştirilen bilgisayar
sistemleridir [62].
İnsanlığın doğayı araştırma ve taklit etme çabalarının en son ürünlerinden bir tanesi
Yapay Sinir Ağları teknolojisidir. Yapay Sinir Ağları, basit biyolojik sinir sisteminin
çalışma şeklini simüle etmek için tasarlanan programlardır. Simüle edilen sinir hücreleri
(nöronlar) içerirler ve bu nöronlar çeşitli şekillerde birbirlerine bağlanarak ağı
oluştururlar. Bu ağlar öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya
çıkarma kapasitesine sahiptirler [65].
Yapay Sinir Sistemlerine Giriş kitabında yapay sinir ağları, yapay sinir sistemleri veya
sinir ağları deneysel bilgiyi alan, depolayan ve kullanan fiziksel hücreli sistemler olarak
tanımlamıştır [66].
Yapay sinir ağlarının basit anlamdaki tanımı ise beyinde var olan sinirlerin çalışma
prensiplerinden esinlenerek sistemlere öğrenme, bilgi edinme, bilgiler arası bağlantı ve
ilişki kurma hatırlama gibi yetenekleri kazandırmayı amaçlayan bilgi algoritmalarıdır
[55].
41
Aynı zamanda yapay sinir ağı, sayısal ortamda tasarlanan sinir ağı yaklaşımlarını tüm
sistem için gerçekleştirebilmektedir [62]. Yapay sinir ağı’nın, karakteristik özelliklerinin
dışında kalan genel özellikleri şu şekilde sıralanabilir [66].

Yapay sinir ağı makine öğrenmesi gerçekleştirirler.

Programlama çalışmaları diğer bilinen klasik programlama yöntemlerine
benzemez.

Bilgiyi saklarlar.

Örnekleri kullanarak, örnekler aracılığı ile öğrenirler.

Güvenle çalıştırılabilmeleri ağın eğitimine ve performansına bağlıdır.

Görülmemiş örnekler hakkında bilgi üretirler. Bu yönleriyle genelleme özelliğine
sahiptir.

Algılamaya yönelik olaylarda kullanılabilirler.

Şekil ilişkilendirebilme ve sınıflandırma yapabilirler.

Kendi kendine öğrenme yetenekleri vardır.

Eksik bilgi ile çalışabilme özelliği vardır.

Hata ve gürültüye karşı duyarlılığa ve toleransa sahiptir.

Tam olmayan belirsiz olan bilgileri de işlemeleri mümkündür.

Dereceli bozulma gösterirler.

Sadece nümerik bilgiler ile çalışabilmektedirler.

Doğrusal ve doğrusal olmayan her türlü problemin çözümünde kullanılmaları
mümkündür.
5.4
Yapay Sinir Ağları Tarihçesi
İnsan beyni hakkındaki ilk çalışmalar çok eski zamanlara dayanmaktadır. Modern
elektroniğin gelişmesi ile birlikte, bu düşünce işlemini kullanmaya çalışmak doğal hale
gelmiştir [61].
42
Yapay Sinir Ağlarının tarihçesi nörobiyoloji konusuna insanların ilgi duyması ve elde
ettikleri bilgileri bilgisayar bilimine uygulamaları ile başlamaktadır. Yapay Sinir Ağları
çalışmaları 1970 öncesi ve 1970 sonrası olarak 2'ye ayırabiliriz [62].
a) 1970 Öncesi çalışmalar;
1890- İnsan Beyninin yapısı ve fonksiyonları ile ilgili ilk yazının yazılması
1911- İnsan Beyninin bileşenlerinin belirli bir düzenek ile sinir hücrelerinden (nöronlar)
oluştuğu fikrinin benimsenmesi,
1943- Yapay sinir hücrelerine dayalı hesaplama teorisinin ortaya atılması ve eşik değerli
mantıksal devrelerin (threshold logic device) geliştirilmesi,
1949- Biyolojik olarak mümkün olabilen öğrenme prosedürünün bilgisayarlar tarafından
gerçekleştirilecek biçimde geliştirilmesi,
1956-1962- ADALINE ve Wındow öğrenme algoritmasının geliştirilmesi,
1957-1962- Tek katmanlı algılayıcının (perceptron) geliştirilmesi,
1965- İlk makine öğrenme kitabının yayınlanması,
1967- 1969- Bazı gelişmiş öğrenme algoritmalarının (Grosberg öğrenme algoritması gibi)
geliştirilmesi,
1969- Tek katmanlı algılayıcıların problemleri çözme yeteneklerinin olmadığının
gösterilmesi,
1969- DAPA'nın yapay sinir ağlarını desteklemeyi durdurup diğer yapay zeka
çalışmalarına destek vermesi.
b)1970 sonrası çalışmalar
Çalışmaların 1969 yılında sekteye uğraması ve gerekli finansal desteklerin kesilmesine
rağmen bazı bilim adamları çalışmalarına devam ettiler.
1969-1972- Doğrusal ilişkilendiricilerin geliştirilmesi,
1972-Korelasyon Matriks belleğinin geliştirilmesi,
1974- Geriye Yayılım modelinin (çok katmanlı algılayıcının ilk çalışmalarının
geliştirilmesi)
43
Öğretmensiz öğrenmenin geliştirilmesi
1978- ART Modelinin geliştirilmesi
1982- Kohonen öğrenmesi ve SOM modellini geliştirilmesi
1982- Hopfield ağlarının geliştirilmesi
1982- Çok katmanlı algılayıcının geliştirilmesi
1984- Boltman makinesinin geliştirilmesi
1985- Çok katmanlı algılayıcıların (genelleştirilmiş Delta öğrenme Kuralı ile)
1988- RBF Modelling geliştirilmesi
1988- PNN Modelling geliştirilmesi
1991- GRNN Modelling geliştirilmesi
1991'den günümüze sayısız çalışma ve uygulamalar geliştirilmiştir. Şekil 5.1'de yapay
sinir ağlarının tarihçesi bir zaman çizelgesinde gösterilmiştir.
Şekil 5.1 Yapay sinir ağlarının tarihçesi
5.5
YSA Sisteminin Geleneksel Sistemden Farkı
Yapay sinir ağları, veri analiz etmede ve veri yapılarındaki durumların ortaya
konulmasında geleneksel yöntemlere nazaran farklı çözüm yöntemleri sunmaktadır.
Geleneksel hesaplama yöntemleri ile yapay sinir ağları arasında da bir takım farklılıklar
bulunmaktadır. Bu farklılıklar Anderson ve McNeill ‘in bildirdiğine göre aşağıda Çizelge
5.1'de gösterilmiştir [67].
44
Çizelge 5.1 Geleneksel hesaplama yöntemleri ile yapay sinir ağları arasındaki fark
KARAKTERİSTİK
GELENEKSEL HESAPLAMA
YAPAY SİNİR AĞLARI
(Uzman Sistemler Dahil)
İşlem Stili
Sıralı
Paralel
Fonksiyonlar
Kurallar
Resimler
Kavramlar ve Hesaplama
Görüntüler
yoluyla Mantıksal (Sol Beyin)
Kontroller yoluyla Geştalt
(Sağ Beyin)
Öğrenme Metodu
Kurallarla (Diadaktik)
Örneklerle (Sokratik)
Uygulamalar
Muhasebe
Sensör İşleme
Kelime, işlem
Ses tanıma
Matematik
Desen Tanıma
Karakter Tanımı
Sınıflandırma
5.6
YSA Kullanım Alanları
Başarılı uygulamalar incelendiğinde yapay sinir ağlarının, doğrusal olmayan, çok
boyutlu, gürültülü, karmaşık, kesin olmayan, eksik, kusurlu, hata olasılığı yüksek veriler
ve problemlerin çözümü için özellikle bir matematiksel model ve algoritmanın
bulunmaması durumlarında yaygın halde yapay sinir ağları uygulamaları yapılabilmekte
ve başarılı sonuçlar elde edilmektedir. Bu amaçla geliştirilmiş ağlar genel olarak şu
fonksiyonları yerine getirmektedir [62]:
•
Probabilistik fonksiyon kestirimleri
•
Sınıflandırma
•
İlişkilendirme ve örüntü tanımlama (pattern recognition engine)
•
Zaman serileri analizleri
•
Sinyal filtreleme
45
•
Veri sıkıştırma
•
Örüntü tanıma
•
Doğrusal olmayan sinyal işleme
•
Doğrusal olmayan sistem modelleme
•
Optimizasyon
•
Zeki ve doğrusal olmayan kontrol
Yukarıda listelenen konularda teorik uygulamalar dışında günlük hayatta da kullanım
alanları mevcuttur. Bunlardan bazıları; veri madenciliği, kredi kartı hilelerini saptama, iş
çizelgeleme ve sıralama, kalite kontrolü, radar sinyalleri sınıflandırma, döviz kuru
tahmini, tıp uygulamaları (kanserin saptanması, kalp krizi tedavisi), haberleşme (iletişim
kanallarındaki trafik yoğunluk kontrolü) vb.
5.7
YSA Avantaj
Matematiksel olarak modellenmesi güç ve karmaşık olan problemleri rahatlıkla
çözümleyebilme imkanına sahiptirler. Yapay Sinir Ağlarının avantajları aşağıdaki gibi
sırlanmıştır [61].

Kural tabanı kullanımı gerektirmezler.

Öğrenme kabiliyeti vardır ve farklı öğrenme algoritmalarıyla öğrenebilirler.

Matematiksel olarak modellenmesi zor olan ya da mümkün olmayan problemleri
rahatlıkla çözümleyebilir.

Bir problem için ağ modelleneceği zaman herhangi bir bilgiye ihtiyaç duyulmaz
sadece örnek gereklidir. Örnek bulmaksa bilgi bulmaktan kolaydır.

Gerçek hayatta olaylar ve olayların arkasındaki değişik etkenlerin birbiri ile
ilişkilerini bilmek zordur. Ancak bu yapay sinir ağları ile otomatik olarak yapılır.

Yapay sinir ağları uygulamaları hem pratik hem de ekonomiktir. Sadece
problemle ilgili örneklerin toplanması ve basit bir programla problem çözülebilir.
46

Olaylar ve olaylar arasındaki ilişkiler doğrusal olmadığı için bu tür problemleri
modellemek de, çözmek de zordur. Çözüm için bazı varsayımlar yapmak gerekir.
Bu da modellenen sistem ile gerçek sistem arasında farklılık olmasına sebep olur.
Oysa yapay sinir ağları doğrusal olmayan ilişkileri içinde geleneksel yöntemlerden
daha iyi ve gerçekçi çözümler üretir.

Yapay sinir ağları diğer sistemlere göre zaman bakımından da daha verimlidir.
Örneklerin bulunması, probleme uygun ağın oluşturulması, ağın öğrenmesi, diğer
örnekler için kullanıma geçmesi çok kısa zamanda yapılabilmektedir.

Yapay sinir ağları aynı olay için yeni bilgilerin olması ve bazı değişiklikler söz
konusu olduğunda yeniden eğitilip ortama uyum sağlayabilirler.

Yapay sinir ağları paralel olarak çalıştığı için gerçek-zamanlı uygulamalar için
kullanımı kolaydır.
5.8
YSA Dezavantajları
Yapay Sinir Ağlarının dezavantajları aşağıdaki gibidir [61];

Sistem içerinde ne olduğu bilinemez.

Bazı ağlar hariç kararlılık analizi yapılamaz.

Farklı sistemlere uyarlanması zor olabilir.

Yapay sinir ağları ile bir uygulama geliştirilirken model seçiminde ve ağların
topolojisini belirlerken belli bir kural yoktur. Doğru seçimlerin yapılması
tamamen kullanıcının tecrübesine bağlıdır.

Herhangi bir problem için örneklerin belirlenmesinde de yine bir kural söz konusu
değildir. Kullanıcı tarafından örnekler belirlenip formülize edilecektir.

Ağın davranışlarının açıklanması mümkün olmadığı için ağa güven azalmaktadır.

Bazen eğitim gerçekleşmesi uzun zaman alabilir.

Bulunan çözümün en uygun çözüm olduğunu söylemek mümkün değildir.
47

Sadece iyi çözümlerden biri olduğu söylenebilir. Oysa geleneksel yöntemler en
uygun sonuçlar üretebilirler.

Örneklerin bulunmasının zor olduğu ya da doğru örnekler için karar verilmediği
durumlarda sağlıklı çözüm üretilememektedir.
5.9
YSA Yapısı
Yapay sinir ağları biyolojik sinir sisteminden esinlenerek geliştirilmiştir. Bu sebepten
öncelikle biyolojik sinir ağlarının yapısını inceleyeceğiz.
5.9.1 Biyolojik Sinir Ağlarının Yapısı
Biyolojik sinir ağları, beynimizde bulunan birçok sayıda sinir hücresinin bütünüdür. Bir
sinir ağı milyarca sinir hücresinin bir araya gelmesiyle oluşur. Sinir hücreleri birbirleri ile
bağlanarak işlevlerini yerine getirirler. Sinir hücreleri (nöron) elektrokimyasal bir
işlemle bilgi taşımak için özelleşmiş hücrelerdir. Bu sinir hücreleri değişik sekil ve
büyüklüktedirler.
Biyolojik sinir sistemi, merkezinde sürekli olarak bilgiyi alan, yorumlayan ve uygun bir
karar üreten beynin bulunduğu üç katmanlı bir sistem olarak açıklanmaktadır. Bu
katmanlar; çevreden gelen girdileri elektriksel sinyallere dönüştürerek beyine ileten
Alıcı Sinirler (Receptor), beynin ürettiği elektriksel sinyalleri çıktı olarak uygun tepkilere
dönüştüren tepki sinirleri ile alıcı ve tepki sinirleri arasında ileri ve geri-besleme
yaparak uygun tepkiler üreten merkezi sinir ağı olarak sıralanır [64]. Şekil 5.2'de
biyolojik sinir yapısı detaylı bir şekilde gösterilmiştir.
Şekil 5.2 Biyolojik sinir sistemi yapısı
Her ne kadar değişik tipteki sinir hücrelerinin şekil ve işlev açısından farklılıkları bulunsa
da hepsinin ortak özelliği sinapslar, dendrit, akson ve soma olmak üzere dört farklı
48
bölgeden oluşmalarıdır [68]. Şekil 5.3'te biyolojik bir sinir hücresinin temel yapısını
göstermektedir [69].
Şekil 5.3 Biyolojik sinir hücresi
Yukarıdaki şekilde gösterildiği gibi bir sinir hücresi dört bölgeden oluşmaktadır.
Sinapslar sinir hücreleri arasındaki bağlantılar olarak görülebilir. Bunlar fiziksel
bağlantılar olmayıp bir hücreden diğerine elektrik sinyallerinin geçmesini sağlayan
boşluklardır. Bu sinyaller somaya giderler. Soma bunları işleme tabi tutar, sinir hücresi
kendi elektrik sinyalini oluşturur ve axon aracılığı ile dentrite'lere gönderir. Dentritler
ise bu sinyalleri snapslere göndererek diğer hücrelere gönderilir. İki hücrenin birbiri ile
bilgi alışverişi snaptik bağlantılarda neurotransmitter'lar yolu ile sağlanmaktadır.
5.9.2 Yapay Sinir Hücresi
İnsan beynini 10 milyar sinir hücresinden ve 60 Trilyon synapse
bağlantısından
oluştuğu düşünülürse son derece karmaşık ve etkin bir yapı olduğu anlaşılır. Diğer
taraftan bir sinir hücresinin tepki hızı, günümüz bilgisayarlarına göre oldukça yavaş
olmakla birlikte duyusal bilgileri son derecede hızlı değerlendirebilmektedir. Bu
nedenle insan beyni; öğrenme, birleştirme, uyarlama ve genelleştirme yeteneği
sayesinde son derece karmaşık, doğrusal olmayan ve paralel dağılmış bir bilgi işleme
sistemi olarak tanımlanabilir [70].
İnsan Beyni ile bilgisayar arasındaki ilişki Çizelge 5.2'de gösterilmiştir.
49
Çizelge 5.2 İnsan beyni ile bilgisayar arasındaki farklar
İnsan Beyni
Bilgisayar
İşlemci Hızı
10-3ms (0,25 MHz)
10-9ms (2500 MHz)
Nöron/ Transistör
1011m & 1033. bağlantı
109(Yonga)
Ağırlık
1500 g.
Kilogramlarca
Enerji Tüketimi
10-16Joule
10-6Joule
Tüm bu açıklamaların çerçevesinde biyolojik sinir sisteminin yapısı ile YSA’lar arasındaki
benzerlikler Çizelge 5.3'de gösterilmiştir [55].
Çizelge 5.3 Biyolojik sinir sistemi ile yapay sinir ağları arasındaki benzer kavramlar
Sinir Sistemi
Nöron (Sinir)
Dendrit
Hücre gövdesi
Aksonlar
Sinapslar
Sinirsel Hesaplama Sistemi
İşlem elemanı
Toplama fonksiyonu
Transfer fonksiyonu
Eleman çıktısı
Ağırlıklar
5.9.3 YSA Temel Elemanları
Biyolojik sinir ağlarındaki sinir hücrelerine karşılık, YSA’larda da yapay sinir hücreleri
vardır. Her yapay sinir hücresinin beş temel elemanı vardır. Bu elemanlar; girdiler,
ağırlıklar, birleştirme fonksiyonu, transfer fonksiyonu ve hücrenin çıktısıdır [62].
1. Girdiler: Girdiler ( ; i, 1,...,n), bir yapay sinir hücresine dış dünyadan gelen
bilgilerdir. Yapay sinir hücresine dış dünyadan olduğu gibi başka hücrelerden veya
kendisinden de bilgiler gelebilir.
2. Ağırlıklar: Ağırlıklar, gelen bilgilerin hücre üzerindeki etkisini belirleyen değerlerdir.
Her bir giriş için bir ağırlık vardır. Bu ağırlığın büyük olması bu girişin önemli olduğu ya
da ağırlığın küçük olması girişin önemsiz olduğunu göstermez. Bir ağırlığın değerinin
sıfır olması o ağ için en önemli olay olabilir. Eksi değerler de yine girişin önemsiz
olduğunu göstermez. Ağırlığın artı ve eksi olması girişin etkisinin pozitif ya da negatif
olduğunu gösterir. Ağırlıklar değişken ya da sabit olabilirler [62].
50
3. Birleştirme fonksiyonu: Birleştirme fonksiyonu, bir hücreye gelen net girdiyi
hesaplar. Bu hesaplama için değişik fonksiyonlar kullanılmaktadır. Bu fonksiyonlardan
en yaygın olanı ağırlıklı toplamı bulmaktır. Burada, gelen her bir girdi değeri kendi
ağırlığı ile çarpılarak toplanır. Böylece, ağa gelen net girdi bulunmuş olur [62].
Bir işlem elemanın gerçekleştirdiği ilk faaliyet, tüm girdilerin ağırlıklandırılmış
toplamlarını hesaplamaktır. Matematiksel olarak; girdiler (X) ve ağırlıklar (W)
vektörlerdir. Toplam girdi sinyali, bu iki vektörün oluşturduğu noktadır [67].
4. Aktivasyon fonksiyonu: Aktivasyon fonksiyonu, toplama fonksiyonundan gelen
girdiyi işleyerek yapay sinir hücresinin çıkışını belirler. Transfer fonksiyonu olarak da
adlandırılan aktivasyon fonksiyonu çeşitli tiplerde ve genellikle doğrusal olmayan bir
fonksiyondur. Doğrusal fonksiyonların tercih edilmemesinin nedeni, doğrusal
fonksiyonlarda girdi ile çıktının doğru orantılı olmasıdır. Bu durum ilk yapay sinir ağları
denemelerinin başarısızlıkla sonuçlanmasının temel nedenidir [71].
a) Doğrusal fonksiyon
Doğrusal problemlerin çözümünde kullanılan bu fonksiyon, gelen net girdileri doğrudan
hücre çıkışı olarak vermektedir. Çoğunlukla ADALİNE olarak bilinen doğrusal modelde,
klasik işaret işleme ve regresyon analizinde kullanılır. Şekil 5.4'te doğrusal fonksiyon
grafiği gösterilmiştir. Bu fonksiyon matematiksel olarak (5.1) yardımıyla hesaplanabilir;
F (s) = s
(5.1)
Şekil 5.4 Doğrusal aktivasyon fonksiyonu’nun şekilsel gösterimi
51
b) Basamak fonksiyonu
Gelen net girdi değerinin belirlenen bir eşik değerinin altında ya da üstünde olmasına
göre hücrenin çıktısı formül 5.2'de gösterildiği gibi 1 veya 0 değerlerini almaktadır. Bu
fonksiyonun grafiği Şekil 5.5'te gösterilmiştir.
F(s) =
(5.2)
Şekil 5.5 Basamak fonksiyonu’nun şekilsel gösterimi
c) Sigmoid fonksiyonu
Sigmoid aktivasyon fonksiyonu, türevi alınabilir, sürekli ve doğrusal olmayan bir
fonksiyon olması nedeniyle uygulamada en çok kullanılan aktivasyon fonksiyonudur. Bu
fonksiyon, net girdinin her değeri için 0 ile 1 arasında bir değer üretmektedir ve
formülü şu şekildedir. Sürekli ve artan olması nedeniyle YSA yapılarının kurulmasında
en çok kullanılan fonksiyondur. Fonksiyon Şekil 5.6'da gösterilmiştir.
Bu fonksiyonun matematiksel ifadesi (5.3) eşitliği yardımıyla hesaplanabilir;
(5.3)
52
Şekil 5.6 Sigmoid aktivasyon fonksiyonu’nun şekilsel gösterimi
d) Tanjant hiperbolik fonksiyonu
Sigmoid fonksiyon ile birlikte hiperbolik tanjant fonksiyonu da YSA’larda özellikle de
Çok Katmanlı Ağ yapılarında sıkça kullanılan bir fonksiyondur. Hiperbolik tanjant
fonksiyonu, gelen net girdinin tanjant fonksiyonundan geçirilmesi ile hesaplanmaktadır
ve sigmoid aktivasyon fonksiyonunun farklı bir çeşididir. Sigmoid aktivasyon
fonksiyonunda çıktı 0 ile 1 arasında bir değer alırken, hiperbolik tanjant fonksiyonunda
çıktı -1 ile 1 arasındadır ve (5.4) eşitliği yardımıyla hesaplanır;
(5.4)
Hiperbolik tanjant fonksiyonu Şekil 5.7'de gösterilmiştir.
Şekil 5.7 Hiperbolik tanjant fonksiyonu’nun şekilsel gösterimi
53
e) Sinüs tipli fonksiyon
Öğrenilmesi düşünülen olaylar sinüs fonksiyonuna uygun dağılım gösteriyorsa bu gibi
durumlarda aktivasyon fonksiyonu olarak sinüs fonksiyonu kullanılır. Fonksiyon formül
5.5'te gösterilmiştir. Fonksiyonun şekli ise Şekil 5.8'de gösterilmiştir.
y = f (s) = Sin(s)
(5.5)
Şekil 5.8 Sinüs tipli fonksiyonun şekilsel gösterimi
5.9.4 Çıkış İşlevi
Çıkış değeri, kullanılan aktivasyon fonksiyonuna göre belirlenen değerdir. Üretilmiş
olan bu çıktı değeri ya dış ortama ya da başka bir yapay sinir hücresine iletilmek için
gönderilmektedir. Bir işlem elemanının çok sayıda girdi değeri varken sadece tek bir
çıktı değerine sahiptir [72].
5.9.5 YSA Yapısı
Yapay sinir hücreleri bir araya gelerek yapay sinir ağını meydana getirmektedir. Yapay
sinir hücrelerinin bir araya gelmesi rastgele değildir. Yapay sinir hücrelerinin genellikle
birbiriyle bağlantılı üç katman halinde ve her katman içinde birbirine paralel olacak
şekilde bir araya gelerek ağı oluşturdukları görülür. Bu üç katman, girdi katmanı layer,
ara katman ve çıktı katmanı olarak adlandırılır. Aşağıdaki Şekil 5.9'da YSA modeli yapısı
gösterilmiştir [62].
54
Şekil 5.9 Yapay sinir ağı modeli
Girdi katmanı, dış ortamdan bilgileri alarak ara katmanlara iletmekle görevlidir. Bazı
yapay sinir ağlarında bu katmanda herhangi bir bilgi işleme olmamaktadır.
Ara katman, girdi katmanından gelen bilgileri işleyerek çıktı katmanına iletmekle
görevlidir. Gizli katman olarak da adlandırılan ara katman birden fazla olabilmektedir.
Ara katmanlar çok sayıda yapay sinir hücresi içermektedirler ve bu hücreler yapay sinir
ağı içindeki diğer hücrelerle bağlantılıdırlar.
Çıktı katmanı, ara katmandan gelen işlenmiş bilgileri dış ortama aktarmakla görevlidir.
5.10 YSA Sınıflandırma
Hücrelerin bağlantı şekillerine, öğrenme kurallarına ve aktivasyon fonksiyonlarına göre
çeşitli YSA yapıları geliştirilmiştir. Bu nedenle YSA’ları üç ayrı sınıfa ayırmak
mümkündür. Bunlardan birincisi, YSA’ların bağlantı yapıları dikkate alınarak yapılan
sınıflandırmadır. İkincisi; YSA’ların öğrenme şekillerine göre sınıflandırılmasıdır.
Üçüncüsü ise; YSA'ların öğrenmelerinin uygulama
şekilleri dikkate
alınarak
sınıflandırılmasıdır.
5.10.1 Yapay Sinir Ağlarının Bağlantı Yapılarına Göre Sınıflandırılması
Bağlantı yapılarına diğer bir deyişle topolojilerine göre YSA’lar, ileri beslemeli ağlar ve
geri beslemeli ağlar olmak üzere ikiye ayrılmaktadır.
55
5.10.1.1 İleri Beslemeli Ağlar
İleri beslemeli ağlarda işlemci elemanlar genellikle katmanlara ayrılmışlardır. İşaretler,
girdi katmanından çıktı katmanına tek yönlü bağlantılarla iletilir [64].
İşlemci elemanlar, bir katmandan diğer bir katmandaki tüm işlem elemanlarıyla
bağlantı kurarlar ancak; işlem elemanlarının aynı katman içerisinde kendi aralarında
bağlantıları bulunmaz [73].
İleri beslemeli ağlarda bilgi akışı, girdi katmanından gizli katmana, gizli katmandan da
çıktı katmanına doğru geri-besleme olmaksızın tek yönde yapılmaktadır [74].
İleri beslemeli çok katmanlı yapay sinir ağı modeli Şekil 5.10’da gösterimiştir [62]. İleri
beslemeli ağlara örnek olarak sıkça kullanılan çok katmanlı perseptron (MLP) ve
Öğrenme Vektör Nicelendirmesi ağları verilebilir [61].
Şekil 5.10 İleri beslemeli çok katmanlı yapay sinir ağı modeli
5.10.1.2 Geri Beslemeli Yapay Ağlar
Geri beslemeli ya da diğer adıyla yinelemeli yapay sinir ağları, ileri beslemeli ağların
aksine dinamik bir yapıya sahiptirler. Geri beslemeli ağlar yüksek performans
vermelerine karşın yapılarının belirlenmesi oldukça zor olabilir ve çok dinamik oldukları
için durumları denge noktasına ulaşıncaya kadar sürekli olarak yeni girdiler vermek
gerekebilir. Geri beslemeli yapay sinir ağları, çıktı veya ara katmanlardaki işlemci
elemanların giriş veya önceki ara katmanlardaki işlemci elemanlara geri beslendiği bir
yapıya sahiptir. Böylece girdiler hem ileri hem de geri yönde aktarılmış olurlar.
56
Dinamik sistemlerde geri dönüşümlerden kaynaklanan zaman gecikmesi önemli olduğu
için bu konuda bir takım çalışmalar yapılarak değişik geri dönüşümlü ağ modelleri
tasarlanmıştır [66].
Geri beslemeli ağlarda herhangi bir hücrenin çıktısı direkt olarak girdi katmanına
gönderilerek tekrar girdi olarak kullanılabilir [74]. Geri besleme, ağın herhangi bir
katmanında da gerçekleştirilebilir [75]. Bu ağlara örnek olarak; Hopfield, Elman ve
Jordan ağları verilebilir[66].
Şekil.5.11’de, geri beslemeli bir YSA yapısı gösterilmektedir [76].
Şekil 5.11 Geri beslemeli yapay sinir ağı modeli
Özellikle, geri beslemeli ağların birçok farklı yapıyla oluşturulabilmesi, belirli bir model
yapısında uzmanlaşılmasını engelleyebilmekte ve eğitim algoritmalarının tutarsız
olması nedeniyle eğitiminin güç olmasına neden olabilmektedir [74]. Ayrıca geri
beslemeli ağların eğitimi uzun zaman almaktadır. Özellikle, eğitim kümesindeki veri
sayısı arttıkça eğitim süresinin daha da uzaması söz konusu olmaktadır. Bu nedenle,
geri beslemeli ağlar, çok değişkenli ve uzun zaman serilerine ilişkin problemlerin
çözümü için uygun bir ağ yapısı olamamaktadır. Bu yüzden, bu türden problemlerin
çözümünde ileri beslemeli ağ yapısı tercih edilmektedir [75].
5.10.2 YSA'da Öğrenmenin Uygulamaya Göre Sınıflandırma
Yapay sinir ağlari gibi öğrenen sistemlerde öğrenme, anlatılan stratejilerden hangisi
uygulanırsa uygulansın bazı kurallara göre gerçekleşir. Bu kurallar iki'ye ayrılır [62].
57
a) Çevrimiçi öğrenme kuralları: Bu kurala göre öğrenen sistemler, gerçek zamanda
çalışabilirken bir taraftan fonksiyonlarını yerine getirmekte, bir taraftan da öğrenmeye
devam etmektedirler. ART ve Kohonen ağlarının öğrenme kuralı bu sınıfta bulunan
öğrenme kuralına örnektir [62].
b) Çevrimdışı öğrenme kuralları: Bu kurala dayalı sistemler, kullanıma alınmadan önce
örnekler üzerinde eğitilirler. Bu kuralı kullanan sistemler eğitildikten sonra gerçek
hayatta kullanıma alındığında artık öğrenme olmamaktadır.
Bu yaklaşımda ağ farklı bir ortamda eğitilir. Eğitim sonucunda elde edilen ağırlıklar ile
ağın yapısı, daha sonra çevrimiçi uygulamalarda kullanılır [66].
Yapay sinir ağlarında yaygın olarak kullanılan Delta Öğrenme Kuralı bu tür öğrenmeye
örnek olarak verilebilir.
5.10.3 YSA'da öğrenme kuralları
Bilinen ve kullanımı oldukça yaygın olan öğrenme kurallarını Hebb kuralı, Hopfield
kuralı, Delta ve Kohenon Kuralı olarak sıralamak mümkündür. Yapay sinir ağlarında bu
öğrenme kurallarının çoğu Hebb kuralına dayanmaktadır [62].
a)Hebb Kuralı
Hebb (1949) kuralı bilinen en eski öğrenme kuralı olup diğer öğrenme kurallarına bir
temel oluşturmuştur. Bu sinir ağında bağlantılar arası ağırlık değişimlerinin
hesaplanmasında korelasyon kuralı kullanılmaktadır [55].
Bu kural aynı zamanda iki sinir hücresinin girdi alış verişi sırasındaki bağlantı
durumlarını da inceleyen bir algoritma olarak da bilinmektedir. Hücrelerde girdi alış
verişinin yapıldığı esnada bağlantı durumları düşük ya da yüksek dereceli
olabilmektedir. Bir başka deyişle, hücreler arası girdi alış verişi, bir sinir hücresinin,
diğer bir sinir hücresinden girdi almasıyla, her iki hücrenin matematiksel olarak işaretin
incelenmesidir.
Aynı işarete sahip ise bu iki hücre arasındaki bağlantının kuvvetlendirilmesine, aksi
durumda yani zıt işarete sahip ise de bağlantının zayıflatılması gerekir
58
b) Hopfield Kuralı
Hopfield kuralı, temelde Hebb kuralına benzer bir kural olup bunun yanı sıra aralarında
bir takım farklılıkların mevcut olduğu, tek katmanlı ve geri dönüşümlü bir ağ yapısına
sahip olan bir kuraldır [77].
Hopfield Kuralı’nda, bağlantı ağırlığında yapılacak olan değişiklik büyüklüğü de belirler.
Buna göre, girdi ve istenilen çıktının ikisi de aktifse, bağlantı ağırlığı öğrenme katsayısı
kadar arttılmakta, aksi durumda ise öğrenme katsayısı kadar azaltılmaktadır.
Kullanılan öğrenme katsayısı ise 0 ile 1 arasında değişebilen ve araştırıcılar tarafından
belirlenen pozitif bir değerdir [62].
c)Delta Kuralı
Delta kuralı, Hebb kuralının geliştirilmiş bir halidir. Widrow ve Hoff tarafından
geliştirilmiştir. Bu kuralda hedeflenen çıktı ile yapay sinir ağından elde edilen çıktı
arasındaki farkı (delta) azaltmak için bağlantıların ağırlıklarının sürekli olarak
değiştirilerek en iyi sonuca ulaşması varsayımına dayanır [78]. Bu kuralla, gerçek çıktı
ile beklenen çıktı arasındaki hatanın karesi en aza indirilmeye çalışılmaktadır.
d)Kohonen Kuralı
Bu kurala göre ağın elemanları (hücreleri) ağırlıkların değiştirmek için birbiri ile
yarışırlar. En büyük çıktıyı üreten hücre kazanan hücre olmakta ve bağlantı ağırlıkları
değiştirilmektedir. Bu, o hücrenin yakınındaki hücrelere karşı daha kuvvetli hale
gelmesi demektir. Hem kazanan elemanların hem de komşuları sayılan elemanların
(hücrelerin) ağırlıklarını değiştirmesine izin verilmektedir [62].
5.11 YSA Modelleri
Bir yapay sinir ağında proses elemanlarının bağlanması sonucu oluşan topoloji, proses
elemanlarının sahip oldukları toplama ve aktivasyon fonksiyonları, öğrenme stratejisi
ve kullanılan öğrenme kuralı ağın modelini belirlemektedir. Günümüzde çok sayıda
model geliştirilmiştir. Bunların en yaygın olarak kullanılanları ve pratik hayatta
uygulananları aşağıda belirtilmiştir [62].
59

Algılayıcılar

Çok Katmanlı algılayıcılar ( Hatayı Geriye Yayma modelleri)

Vektör Kuantizasyon Modelleri (LVQ)

Kendi kendini organize eden model (SOM)

Adaptif Rezonans Teorisi Modelleri (ART)

Elman Ağı

Hopfield Ağları
5.11.1 Tek Katmanlı Yapay Sinir Ağı
Yalnızca girdi katmanı ve çıktı katmanından oluşan bir yapıya sahip olup, her
katmanında birden fazla girdi değeri olabilen ve tek bir çıktı değerinin mevcut olduğu
bir modeldir. Her girdi değeri bir ağırlık değeri ile çıktıya bağlanır. Her bağlantının bir
ağırlığı (w) vardır [62].
Şekil 5.12’de tek katmanlı yapay sinir ağına örnek verilmektedir.
Şekil 5.12 Tek katmanlı yapay sinir ağı
Bu ağlarda işlemci elemanların, dolayısıyla ağın çıktısının 0 (sıfır) olmasını önleyen bir
eşik değeri (Φ) bulunur ve değeri 1 olarak alınır. Tek katmanlı yapay sinir ağlarında,
ağırlıklandırılmış girdi değerleri eşik değeri ile toplanıp aktivasyon fonksiyonundan
geçirilerek ağın çıktısı elde edilir. Bu işlem şu şekilde,
Ç= f
(5.6)
60
Tek katmanlı yapay sinir ağlarında çıktı fonksiyonu doğrusal bir fonksiyondur. Yani, ağa
gösterilen örnekler iki sınıf arasında paylaştırılarak, bu iki sınıfı birbirinden ayıran
doğruyu bulmak amaçlanır. Eşik değer fonksiyonu bu nedenle kullanılır.
Burada ağın çıktısı sınıfları temsil eden +1 veya -1 değerlerini alır. Bu çıktı +1 ise örnek
birinci, -1 ise ikinci sınıfta kabul edilir. Eğer 0 ise tasarımcının kabulüne kalmıştır.
f(g) =
(5.7)
İki sınıfı birbirinden ayıran doğru;
(5.8)
Buradan
(5.9)
Benzer şekilde;
(5.10)
olarak hesaplanır.
Tek katmanlı yapay sinir ağlarında öğrenmeden kastedilen, sınıfları birbirinden ayıran
en uygun doğrunun bulunmasıdır. Bunun için ağırlık değerleri değiştirilmektedir.
Ağırlıkların değiştirilmesi doğrunun eğiminin değiştirilmesi anlamına gelir. T zaman
biriminde ağırlık değerleri ΔW kadar değiştirilir ise;
(t +1) =
(t) + Δ
(t)
(5.11)
olmaktadır. Öğrenme sırasında bu değişim her iterasyonda gerçekleştirilerek doğrunun
en uygun eğimi bulunmaya çalışılır. Ancak bu işlem yeterli olmayabilir. Bu nedenle eşik
değerinin de değiştirilmesi gerekir. Bu işlem, doğrunun sınıflar arasında kaymasına
yardımcı olmaktadır. Böylece aktivasyon fonksiyonunun konumu belirlenmiş olur.
Bu durumda t anında eşik değerinin de;
Φ (t+1) = Φ (t) +Δ Φ (t)
(5.12)
61
şeklinde değiştirilmektedir. Öğrenme sırasında ağırlıklarda olduğu gibi eşik değeri de
her iterasyonda ΔΦ kadar değiştirilmektedir.
Tek katmanlı yapay sinir ağlarında önemli iki modelden bahsedilebilir. Bu modeller
perceptron ve Adaline/Madaline’dir.
5.11.1.1 Perceptron Model
Perceptron, F.Rosenblatt tarafından 1958 yılında ortaya atılmış bir modeldir. İlk yapay
sinir ağı modellerinden olan perceptronlar son derece sınırlı olmalarına karşın daha
sonra geliştirilen modellere temel olmaları ve mevcut algoritmalarla yakın ilişki içinde
oldukları için oldukça önemlidirler. Bununla birlikte, mevcut algoritmalarla (geriye
yayılma gibi) yakın ilişki içinde olduklarından çok ilgi çekicidirler.
Perceptron bir yapay sinir hücresinin birden fazla girdiyi alarak tek bir çıktı üretmesi
temeline dayanmaktadır. Ağın çıktısı 1 veya 0 olmakta ve çıktı değerinin hesaplanması
adım fonksiyonu kullanılarak yapılmaktadır.
Perceptron, eğitilebilen tek bir işlemci elemandan oluşmaktadır. İşlemci elemana girdi
değerleri ve bu değerlere karşılık gelen çıktı değerleri gösterilerek öğrenme kuralına
göre ağın çıktı değeri hesaplanmaktadır.
Olması gereken çıktı değerine ulaşılana kadar ağırlıklar ve eşik değerleri
değiştirilmektedir.
Rosenblatt perceptronların eğitimi için perceptron öğrenme algoritmasını geliştirmiştir.
Perceptron’un yapısı Şekil 5.13’te gösterilmiştir [79].
62
Şekil 5.13 Bir perceptron yapısı
5.11.2 Çok Katmanlı Perceptron ve İleri Beslemeli Geri Yayılım
5.11.2.1 Çok Katmanlı Perceptron
Bir yapay sinir ağından çözmesi istenilen problem doğrusal değilse ilk başta tasarlanmış
yapay sinir ağları ile bunu modellemek mümkün değildir. Bu tür problemler için daha
gelişmiş bir ağ türüne ihtiyaç duyulmuştur.
Minsky ve Papert doğrusal olmayan bir ilişki gösteren XOR problemini örnek göstererek
tek katmanlı perceptronların doğrusal olmayan problemlerin çözümünde yani gündelik
hayatta karşımıza çıkan asıl sorunların çözümünde başarısız olduğunu ispatlamışlardır
[80], [55].
Bu olay yapay sinir ağları üzerine yapılan çalışmaların durma noktasına gelmesine
neden olmuştur. Ancak bazı bilim adamları çalışmalarına devam etmiştir. 1970’li
yıllarda birbirinden bağımsız birkaç araştırmacının çok katmanlı perceptron mimarisi
geliştirmesi ve Rumelhart, Hinton ve Williams’ın 1986 yılında geri yayılım algoritmasını
geliştirerek XOR problemini çözmesiyle birlikte çalışmalar tekrar hız kazanmıştır [81],
[55].
Çok katmanlı perceptron, Genelleştirilmiş Delta Kuralı adı verilen öğrenme kuralını
kullanır. Genelleştirilmiş Delta Kuralı, en küçük kareler yöntemine dayalı bir öğrenme
kuralı olan ve ADALINE ve tek katmanlı perceptron modellerinin öğrenme kurallarının
daha gelişmiş hali olan Delta Kuralı’nın genelleştirilmiş şeklidir. Delta Kuralı ve
63
dolayısıyla Genelleştirilmiş Delta Kuralı, danışmanlı bir öğrenme kuralıdır. Burada da
temel amaç, ağın beklenen çıktısı ile ürettiği çıktı arasındaki hatayı en aza indirmektir.
Çok katmanlı perceptrona eğitim sırasında hem girdiler hem de o girdilere karşılık
gelen çıktılar gösterilir.
Çok katmanlı yapay sinir ağları üç katmandan oluşmaktadır; Girdi katmanı, ara katman
ve çıktı katmanı.
Girdi katmanı; dış ortamdan gelen bilgileri alarak ara katmana göndermekle görevlidir.
Bu katmanda herhangi bir bilgi işleme olmaz. Çok katmanlı perceptronlara birden fazla
girdi gelebilmektedir ancak her işlemci elemanın bir tek girdisi ve bir tek çıktısı olur. Bu
çıktı bir sonraki katmandaki tüm işlemci elemanlara gönderilir, yani bir katmandaki bir
işlemci eleman, bir sonraki katmandaki tüm işlemci elemanlara bağlanır. Ancak çok
katmanlı perceptronlarda bütün katmanlardaki işlemci elemanlar yalnızca bir sonraki
işlemci elemanlarla bağlantılıdır kendi içlerinde bağlantıları bulunmaz.
Ara katman; girdi katmanından gelen bilgileri işleyerek bir sonraki katmana gönderir.
Gizli katman olarak da adlandırılan ara katmanlar, birçok katmanlı perceptronda birden
fazla sayıda olabilmektedir. Ayrıca her ara katmanda birden fazla işlemci eleman
bulunabilmektedir. Ara katman sayısı ve ara katmanlardaki işlemci eleman sayısı
deneme-yanılma yoluyla bulunur. Aşağıdaki Şekil 5.14’de çok katmanlı perceptron
yapısı gösterilmiştir.
Şekil 5.14 Çok katmanlı perceptron yapısı
64
Çıktı katmanı; ara katmandan gelen bilgileri işleyerek dış ortama gönderir. Bütün çok
katmanlı perceptronlarda bir tek çıktı katmanı bulunmakta, ancak çıktı katmanında
birden fazla işlemci eleman olabilir. Çıktı katmanındaki işlemci eleman sayısı ise yine
uygulanan probleme bağlıdır.
5.11.2.2 İleri Beslemeli Geri Yayılım Yapay Sinir Ağı
Günümüzde oldukça yaygın bir kullanım sahasına sahip olan ileri beslemeli geri yayılım
sinir ağı, mimari olarak çok katmanlı perceptron mimarisine sahip ve öğrenme yöntemi
olarak da geri yayılım algoritmasını kullanan bir yapıya sahip olan bir ağdır.
Bu ağlarda, katman sayıları ve işlemci elemanların sayısının belirlenmesi ağın başarılı
sonuçlar üretmesi açısından büyük önem taşımakta olup, bu sayıların belirlemesi
açısından kesin bir kriter mevcut olarak bulunmamaktadır.
İleri beslemeli geri yayılım yapay sinir ağının yapısı Şekil 5.15’de verilmektedir [82].
Şekil 5.15 İleri beslemeli geri yayılım yapay sinir ağı yapısı
Bu ağ yapısı özellikle öngörü ve sınıflandırma problemlerinde üstün başarı göstermekte
olup, geri yayılım algoritması ile de eğitilir. Geri yayılım algoritması ile eğitim üç aşamalı
olarak gerçekleştirilir [83].
65

Girdi değerinin ileri beslenmesi,

İlişkili hatanın geri yayılımı,

Bağlantı ağırlıklarının ayarlanması
Her bir giriş birimi, bir girdi sinyali alarak, ara katmanlardaki işlemci elamanlar
aracılığıyla bilginin ileriye doğru işlenmek üzere iletilmesini sağlar. Her ara katmandaki
bu birimler kendi aktivasyonunu hesaplayarak, kendi sinyallerini her bir çıkış birimine
gönderir. Çıkış birimlerinin her biri de verilen girdi değeri için ağın cevabını şekillendirip
kendi aktivasyonunu hesaplar. Eğitim boyunca her bir çıkış birimi, kendi aktivasyonunu
belirlenmiş olan örnek için ilişkili hatayı belirleyerek, hedef çıktı değeri ile
karşılaştırmak suretiyle bir döngü halinde devam eder [83]. Hatanın geriye yayılım
algoritmasının blok akış diyagramı Şekil 5.16’da verilmektedir [83].
Şekil 5.16 Hatanın geriye yayılım blok akış diyagramı
Bu yapay sinir ağında kullanılan aktivasyon fonksiyonu türevlenebilir ve monoton
azalmayan sürekli bir fonksiyondur. Bu fonksiyonun parametrik olması farklı
eşleştirmelerin yapılabilmesinde imkan sağlar.
Uygulamalarda girdi değerlerinin sürekli bir fonksiyon olması gereken durumlarda
sigmoid ve hiperbolik tanjant fonksiyonu kullanılırken, ikili karar durumlarında sert
geçişli aktivasyon fonksiyonları tercih edilir.
66
5.11.3 Diğer Ağlar
1) LVQ Ağı
LVQ Ağı, 1984 yılında Kohenon tarafından geliştirilen bir ağ olup Kohenon ağı olarak da
bilinmektedir. LVQ ağları genel olarak sınıflandırma problemlerinin çözümünde
kullanılırlar. Çıktılardan sadece birisi 1 diğerleri 0 değerlerini almaktadır. Çıktı değerinin
1 olması girdinin ilgili çıktının temsil ettiği sınıfa ait olduğunu göstermektedir.
LVQ ağı çok katmanlı ağlardaki gibi üç katmandan oluşur. Bunlar bir giriş, bir çıkış ve
Kohenon katmanı olup, giriş katmanındaki tüm nöronlar ara katmanlardaki tüm
nöronlarla bağlantılı bir yapı sergilemektedir. Bu ağ da asıl amaç, n boyutlu bir
vektörün, vektörler seti halinde haritalamasıdır.
2) Kohonen Ağı
Kohenon ağı 1972 yılında Kohenon tarafından, beynin Neocortex tabakasında yaygın
olan duyusal haritalardan yola çıkılarak geliştirilen bir ağ yapısı esasına dayanmaktadır.
Özellikle sınıflandırma problemlerini çözümlemede oldukça başarılı olan ve yaygın
olarak kullanılan bu ağ, SOM olarak da bilinmektedir.
Bu ağ iki tabakadan meydana gelmiştir; bir giriş ve bir de çıktı katmanı olmak üzere
Eğitimi sırasında herhangi bir danışmana ihtiyaç duymayan bu ağda çıktı katmanındaki
işlemci elemanlar genel olarak iki boyutlu aralıklar halinde düzenlenir [64].
3) ART Ağları
1976 yılında Grossberg tarafından geliştirilen bu ağda, diğer ağ yöntemlerinde esas
alınan, beynin fonksiyonlarına yönelik olarak yapılan araştırmalar sonucu ortaya çıkmış
bir ağdır [84].
Bu ağlar sınıflandırma problemleri için geliştirilmiş olan bir diğer ağ olup, LVQ ağından
farkı, yapılacak olan sınıflandırma işlemine ait herhangi bir bilginin ağa verilmemesidir.
4) Hopfield Ağı
Hopfield sinir ağı, beyinde benzer olarak belirli hafızları ve desenleri depolayan sinirsel
fizyolojilerin baz alınarak geliştirildiği bir ağ türüdür. 1980’li yıllarda ünlü fizikçi John
Hopfield tarafından geliştirilen bu ağda mimari yapı diğer ağ mimarilerinden farklıdır.
67
Katmanlara ayrışım olayı olmaksızın her birimin tüm birimlere bağlı olması durumu söz
konusudur. Bilgi akışı bu bağlantılarda çift yönlü bir şekilde ilerleyerek simetrik bir yapı
oluşturmaktadırlar [85], [55].
5) Jordan Ağı
Jordan ağı girdi, çıktı ve ara katmanlara ilaveten durum elemanları olarak adlandırılan.
özel işlemci elemanlarının bulunduğu, çok katmanlı geri beslemeli bir ağ yapısına
sahiptir [55].
Bu sinir ağında yer alan durum elemanları, çıktı tabakasından aktivasyon değerlerini
alarak bir sonraki iterasyonda bunu girdi olarak taşımakla görevli olan elemanlardır.
6) Elman Ağı
Elman ağı da, Jordan ağı gibi girdi katmanı, çıktı katmanı ve ara katmanlara ilaveten
içerik katmanına sahip olan bir sinir ağı olup, bu ağ 1990 yılında Elman tarafından
geliştirilmiştir. Elman ağı, Jordan ağına oldukça benzer olmakla beraber aralarında iki
önemli farklılıklar bulunmaktadır. Bu farklılıklardan ilki, geri besleme yaptıkları
aktivasyon değerlerini çıktı katmanından almak yerine ara katmandan almaları, ikincisi
ise içerik elemanlarının kendilerine bağlantı durumlarının olmamasıdır.
5.12 YSA Ağ Tasarımı
Bir yapay sinir ağının başarılı olabilmesi için ağın iyi tasarlanması çok önemlidir. Burada
uygun metodolojilerin seçilmesi gerekir. Örnek olarak; uygulamada kaç gizli katman
kullanılacağı veya öğrenme algoritmasının doğru seçilmesi gibi konularda dikkatli
olunmalıdır. Bu seçimlerde tek bir doğrunun bulunması mümkün değildir. Burada daha
çok deneme yöntemiyle en uygun formülasyonun oluşturulması söz konusudur.
Yapay sinir ağının tasarım sürecinde ağın yapısına ve prosesin işleyişine dair aşağıdaki
kararların alınması gerekir.

Ağ mimarisinin seçilmesi

Öğrenme Algoritmasının seçimi

Ara Katman Sayısının Belirlenmesi
68

Nöron sayısının (Gizli Nöron Sayısı) Belirlenmesi

Verilerin Normalleştirilmesi

Yapay Sinir Ağlarının Eğitimi ve Testi
5.12.1 YSA Ağ Yapısının Seçimi
Yapay sinir ağlarında çözüme ulaştırılmak istenen probleme göre ağ yapısı farklılık
kazanmakta
olup,
kullanım
amacına
bağlı
olarak
istenilen
problemin
çözümlenmesindeki başarısı ağın doğru olarak belirlenmesine bağlıdır.
Ağın türleri, kullanım alanları ve kullanım amacına göre tahmin, sınıflandırma ve veri
ilişkilendirme olmak üzere Çizelge 5.4'de gösterildiği gibi üç farklı kategoride incelemek
mümkündür [64].
Çizelge 5.4 Yapay sinir ağı türleri ve kullanım alanları
Kullanım
amacı
Tahmin
Ağ türü
Çok katmanlı ağ
Kullanım alanı
Ağın girdilerinden bir çıktı değerinin tahmin
edilmesi
LVQ
Sınıflandırma
Girdi değerlerinin ait oldukları sınıfları
belirlemeye yönelik olarak sınıfların
Counterpropagation belirlenmesi
Olasılıklı sinir ağları
ART
Yapay sinir ağlarının yapılarının performans ve karakteristik özellikleri birbirinden farklı
olup, bu farklılık o ağın modelleme yeteneğini belirlenmesi açısından da oldukça
önemlidir. Bu nedenle ağ tasarlanırken uygulama sahası göz önünde bulundurularak
optimum ağ mimarisi seçilmelidir [74].
Bir yapay sinir ağının karmaşıklığını azaltmak için ağ yapısının değiştirmek en etkin
araçlardan biridir. İşlemci eleman sayısının artması ağı daha da karmaşıklaştırabilir.
5.12.2 Öğrenme Algoritmasının Seçimi
Yapay Sinir Ağı tasarımında ağ yapısının seçiminden sonra diğer bir önemli seçim ise
öğrenme algoritmasının seçimidir. Burada ağ yapısının seçimi öğrenme algoritmasının
69
seçiminde oldukça etkilidir. Yapay sinir ağının tasarımında kullanmak için çok sayıda
öğrenme algoritması vardır.
Bu öğrenme algoritmaları uygulama alanlarına göre; öngörü tanıma, sınıflandırma, veri
ilişkilendirme ve veri kavramlaştırması olmak üzere dört farklı kategoriye ayırmak
mümkündür.
5.12.3 Ara Katman Sayısının Belirlenmesi
YSA tasarımında diğer bir konu ara katman sayısının belirlenmesidir. Katmanlar aynı
doğrultu üzerinde bir araya gelmesiyle oluşur. Genellikle problemlerde 2 veya 3
katman yeterli olmaktadır.
Çözümlenmek istenen problemde mevcut olan girdi ve çıktı katmanları farklılık
göstermekte olup, katman sayısı belirlenirken araştırıcı deneme-yanılma yolu ile bir
takım denemeler sonucunda en uygun olan katman sayısını ve en uygun olan ağ
yapısını belirlemektedir [86].
5.12.4 Nöron Sayısının Belirlenmesi
YSA yapısal özelliklerinden bir diğeri ise her katmanda bulunan nöronların sayısıdır.
Doğru nöron sayısının bulunması için kullanılan diğer bir yöntem ise ara katman
sayısının belirlerken kullanılan deneme yanılma yöntemidir. Burada istenilen sonuca
ulaşmak için nöron sayısını arttırmak veya azaltmak söz konusu izlenecek yöntemdir.
Nöron sayısının az olması yapay sinir ağında genelleme yeteneğini arttırır fakat buna
rağmen fazla sayıda nöron sayısına oranla daha fazla tercih edilir. Çünkü çok sayıda
nöron sayısı ağın verileri ezberlemesine sebep olur. Aşağıda Şekil 5.17'de genelleme ve
ezberleme durumundaki eğrileri gösterilmektedir.
70
Şekil 5.17 (a) Genelleme ve (b) ezberleme
Nöron sayısının yanı sıra dikkat edilmesi gereken bir diğer önemli konu da nöron
fonksiyonların karakteristik özellikleridir. Nöronun aktivasyon fonksiyonu seçimi de
yapay sinir ağında kullanılan verilere ve ağın neyi öğrenmesinin hedeflenmesi
durumuna göre değişiklik gösterir. Bu fonksiyonlar da en çok kullanılanlar sigmoid ve
hiperbolik tanjant fonksiyonlarıdır.
Bu aktivasyon fonksiyonlarından sigmoid fonksiyonunda çıktı verilerindeki aralık [ 0, 1 ]
iken hiperbolik tanjant fonksiyonunda [ -1, 1 ] aralığında değişmektedir.
Yapay sinir ağlarında ortalama olarak davranışın öğrenilmesi amaçlanmışsa, bu tip ağ
tasarımlarında aktivasyon fonksiyonu olarak sigmoid fonksiyon tercih edilmelidir. Eğer
modelde ortalamadan sapmanın öğrenilmesi amaçlanmış ise hiperbolik tanjant
fonksiyonunun seçilir.
5.12.5 YSA Eğitimi ve Testi
İşlem elemanlarının bağlantı ağırlık değerlerinin belirlenmesi için yapılan işlemlere
"Ağın Eğitimi” denir. Başlangıçta bu ağırlık değerleri rastgele atanır. Yapay sinir ağları
kendilerine örnekler gösterildikçe bu ağırlık değerlerini değiştirirler. Örnekler ağa
defalarca gösterilerek en doğru ağırlık değerleri bulunmaya çalışılır [62]. Yapay sinir
ağlarının tahmin edicisi tasarlanırken eğitim ve test verisi olmak üzere veri seti iki
parçaya ayrılır.
Literatürde bu ayrımı belirlemeye yönelik olarak araştırıcılara, yol göstermesi açısından
yapılan birtakım tavsiyeler bulunmaktadır. Bunlar, veri sayısının % 90’ının eğitim veri
seti, % 10’unun da test veri seti olarak kullanılması tavsiye edilirken, bu oranlar % 80
71
eğitim verisi, % 20’si test verisi ve % 70’i eğitim verisi, % 30’unun da test verisi olarak
da ayrışımın yapılabileceği yönünde yapılan literatürde mevcut olan tavsiyelerdir [74].
Yapay sinir ağında eğitim veri seti yapay sinir ağları modellerini geliştirmek amaçlı
kullanılır. Test veri seti de geliştirilen modelin tahmin yeteneğinin belirlenmesi için
kullanılır. Öğrenme sırasında, öğrenmeyi ifade eden ağırlıkların değişimi söz konusu
olabilir, bu değişiklikler öğrenme yaklaşımına göre yapılır.
Eğitim aşaması sonlandırıldığında ise sinir ağında hesaplanan hata miktarının kabul
edilebilir bir hata oranına inmesi beklenir. Test işlemi içinde eğitim aşamasında
kullanılmayan ağın daha önce görmediği verilerden hazırlanarak, girdi olarak ağın
modeline verilir ve ağın ürettiği çıktı değerleri ile hedeflenen çıktı değerleri
karşılaştırılarak ağın genelleme yapabilmek için yeterli olup olmadığının kontrolü
yapılır. Eğitim ve test aşamalarında istenilen başarının yakalanması yapay sinir ağı
modelinin kullanılabilirliğini yani uygunluğunu gösterir [72].
Burada istenen ağın en iyi çözüm olan W* değerine ulaşması istenmektedir. Fakat
pratikte bu değere ulaşmak kolay değildir. Bu çözüm en iyi çözümdür fakat ona nasıl
ulaşılacağı konusunda elimizde bir bilgi yoktur. O nedenle kullanıcılar ağların
performanslarında ε kadar hata kabul edilmektedir [62].
Neden en iyi sonuç bulunamamaktadır? Bunun başka nedenleri olabilir; Örneğin [62];

Problem eğitilirken bulunan örnekler problem uzayını %100 temsil etmeyebilir.

Oluşturulan ÇKA ağı için doğru parametreler seçilmemiş olabilir.

Ağın ağırlıkları başlangıçta tam istenildiği şekilde belirlenmemiş olabilir

Ağın topolojisi yetersiz seçilmiş olabilir.
5.12.6 YSA’da Ağ Performans Fonksiyonunun Belirlenmesi
Öğrenme performansını etkileyen diğer bir etken ağ performans fonksiyonudur. Bir
yapay sinir ağında performans ölçütü oldukça önemlidir. Bu ölçüt sayesinde tahminin
doğru bir şekilde yapıldığından emin olunabilir. Bunun yanı sıra ağın performansını ve
öğrenme yeteneğinin başarısını gösteren ölçen bir ölçüttür.
72
5.12.7 YSA Ağ Tasarımındaki Diğer Etkenler
Yapay sinir ağlarının tasarımında rol oynayan diğer etkenleri şu şekilde sıralayabiliriz;
Öğrenme katsayısı, momentum katsayısı ve gizli katmandaki sinir katsayısı. Bu
etkenlerdeki sayısal değişimler yapay sinir ağının tahmininde değişikliklere yol
açmaktadır.
5.12.7.1 Öğrenme Katsayısı
Hatanın geriye yayılması algoritmasında ağın eğitilmesinde öğrenme katsayısı
önemlidir. Öğrenme katsayısı 0 ile 1 arasında bir değer alır. Tecrübeler genellikle 0,2 ve
0,4 arasındaki değerlerin kullanıldığını gösterilmektedir fakat genellemenin dışında 0,6
değerini aldığı zaman en iyi sonucu aldığı da görülmüştür[62].
Öğrenme katsayısı küçük seçilirse yerel minimuma ulaşmak için alınacak adım sayısı
artacağından çözüme ulaşacak yol uzun zaman alacaktır. Tam tersine öğrenme
katsayısı büyük seçilirse yerel çözümler arasında dolaşarak osilasyon yaşaması söz
konusu olmaktadır.
5.12.7.2 Momentum Katsayısı
Momentum teriminin de hesaplara katılmasıyla ağın toplam hatasında düşüş meydana
getirmektedir. Bunun yanı sıra adım sayısının da azalmasına sebep olmaktadır.
Momentum katsayısı bir önceki iterasyondaki değişiminin belirli bir oranının yeni
değişim miktarına eklenmesi gibi görülebilir. Momentum sayısının küçük seçilmesi
yerel çözümlerde takılmaya sebep olabilirken, büyük seçilmesi tek bir çözüme
ulaşmada sorun yaratabilir.
Momentum katsayısı çok yüksek alınırsa ağın toplam hatası sıfıra doğru daha fazla bir
eğilimle yaklaşır. Tecrübeler bu değerin 0,6 ile 0,8 arasında olmasının uygun olacağını
göstermektedir fakat kesin olarak bu rakamlar en iyi sonuca ulaştırır denilemez [62].
5.12.7.3 Gizli Katmandaki Sinir Sayısı
Gizli Katmandaki sinir sayılarının arttırılması simülasyon sırasında hem hafıza hem de
CPU'nun yükünü arttırmaktadır. Fakat öğrenme işlemi daha hassas tamamlanmaktadır.
73
Gizli katman sinir sayısının az miktarda alınması ağın hatırlama yeteneğini olumsuz
yönde etkilemektedir. Bu yüzden bu çalışmada ara katman sinir sayısı, giriş
katmanındaki ve çıkış katmanındaki ve çıkış katmanındaki sinir sayıları da gözetilerek
deneme yanılma yöntemi ile belirlenmiştir [61].
5.13 ANFIS
ANFIS, 1993 yılında Jang tarafından ortaya atılmıştır ve Jang’ın ANFIS modeli olarak
adlandırılmaktadır. Jang’ın ANFIS modeli, insan gibi karar verme ve uzman bilgisi
sağlama yeteneğini uygulamada “Sugeno Bulanık Mantık Çıkarım Sistemini” temel
alırken, yapay sinir ağlarının öğrenme yeteneğini uygulamada ise “Geri Yayılmalı
Öğrenme Algoritmasını (Backpropagation Learning Algorithm)” kullanmaktadır [8].
ANFIS yapısı, Sugeno tipi bulanık sistemlerin, sinirsel öğrenme kabiliyetine sahip bir ağ
yapısı olarak temsilinden ibarettir. Bu ağ, her biri belli bir fonksiyonu gerçekleştirmek
üzere, katmanlar halinde yerleştirilmiş düğümlerin birleşiminden oluşmuştur [87], [88].
ANFIS'in, yapısında yukarıda belirtildiği gibi hem yapay sinir ağları hem de bulanık
mantık kullanılır. Yapı bakımından ANFIS, bulanık çıkarım sistemindeki eğer-ise kuralları
ve giriş-çıkış bilgi çiftlerinden oluşur. Ancak sistem eğitiminde ve denetiminde YSA
öğrenme algoritmaları kullanılır [87], [89].
ANFIS 6 katmandan oluşmaktadır. Bu katmanlar sırasıyla;[90], [7], [8], [91].
1.Katman: Giriş katmanı olarak adlandırılmaktadır. Bu katmandaki her düğümden
alınan giriş sinyalleri diğer katmanlara aktarılır.
2.Katman: Bulanıklaştırma katmanı olarak adlandırılır. Giriş değerlerini bulanık
kümelere ayırmada Jang’ın ANFIS modeli, üyelik fonksiyonu sekli olarak genelleştirilmiş
Bell aktivasyon fonksiyonunu kullanmaktadır. Burada, her bir düğümün çıkısı, giriş
değerlerine ve kullanılan üyelik fonksiyonuna bağlı olan üyelik derecelerinden
oluşmaktadır.
3.Katman: Kural katmanıdır. Bu katmandaki her bir düğüm, Sugeno bulanık mantık
çıkarım sistemine göre oluşturulan kuralları ve sayısını ifade etmektedir
74
4.Katman: Normalizasyon katmanıdır. Bu katmandaki her bir düğüm, kural
katmanından gelen tüm düğümleri giriş değeri olarak kabul etmekte ve her bir kuralın
normalleştirilmiş ateşleme seviyesini hesaplamaktadır.
5.Katman: Arındırma katmanıdır. Arındırma katmanındaki her bir düğümde verilen bir
kuralın ağırlıklandırılmış sonuç değerleri hesaplanmaktadır.
6.Katman: Toplam katmanıdır. Bu katmanda sadece bir düğüm vardır ve Σ ile
etiketlenmiştir. Burada, 5.katmandaki her bir düğümün çıkış değeri toplanarak sonuçta,
ANFIS sisteminin gerçek değeri elde edilir. Aşağıda Şekil 5.18'de ANFIS yapısı
gösterilmiştir.
Şekil 5.18 Adaptif ağ tabanlı bulanık mantık çıkarım sistemi
ANFIS ile bir bulanık mantık denetleyici tasarlanırken şunlara dikkat edilmelidir [8] [92]:

Kurulacak denetçinin tipi mutlaka Sugeno olmalıdır

Sistemi iyi tanımlayan girdi ve çıktı veri çiftlerine sahip olunmalıdır

Anfis sadece Matlab'da ön tanımlı bulunan üyelik fonksiyonları ile çalışabilir

Sistemde her bir tek kural tek bir çıkış üyeliği üzerinde çalışabilecek şekilde
olmalıdır.
Bir bulanık uzman sistemi bulanıklaştırma, bilgi tabanı, çıkarım ve durulaştırma
aşamalarından oluşur. Bu aşamalar aşağıda detaylıca açıklanmıştır [9], [10].
Bulanıklaştırma: Girdi değerleri belirlenen üyelik fonksiyonuna göre bulanık değerlere
dönüştürülür.
75
Bilgi tabanı: Uygulama alanındaki uzman bilgisi ile oluşturulur.
Çıkarım: Uzman bilgisine dayalı kurallara göreeldeki bilgilerden çıkarım yapılır.
Durulaştırma: Bulanık çıktı durulaştırılaraksayısal değere çevrilir.
76
BÖLÜM 6
6.
6.1
PERFORMANS YÖNETİMİNDE SAYISAL METOTLARIN UYGULANMASI
Uygulamanın Tanımı
Daha önceki bölümlerde bu çalışmada kullanılacak olan verilerin nerelerden elde
edildiğine ve ne amaçla kullanılacağına dair bilgiler verildi. Çalışmanın bu bölümünde
ise İnsan Kaynakları Yönetiminin en önemli ayaklarından bir olan Performans
Yönetimine ilişkin verilerin farklı sayısal metodlarla en doğru şekilde tahmin edilmesini
sağlanacaktır. Elimizde son üç yıla ait Performans değerlendirme dataları mevcuttur.
Bu dataları Regresyon, YSA ve ANFIS metodları ile tahmin ettirip hangi metodun
mevcut datalarla daha çok örtüştüğünü bulmaya çalışacağız.
6.2
Uygulamanın Tasarımı
Ugulama Yöntemi 1- Regresyon :
Yapay Sinir Ağları ile yapılacak olan uygulamada öncelikle SPSS programı kullanılarak
regresyon yöntemi ile çalışılmıştır. Yapılan çalışmada ANOVA sonuçlarından y=α+
formülüne bakarak hangi kriterlerin en çok etkili, hangilerinin etkisiz olduğunu
anlayarak diğer verileri tahmin ettirilmesi tamamlandı.
y=α+
+
+
+
+
+
+
+
α=Sabit terim
77
(6.1)
ANOVA- F Testi:
(6.2)
(6.3)
(6.4)
(6.5)
Burada regresyon sonuçlarını SPSS programı yardımı ile aşağıda anlatacağız. Öncelikle
verilerimizi SPSS programına Data View penceresinden giriyoruz ve tanımlamalar
yapılıyor. Şekil 6.1 'de dataların girildiği pencere gösterilmiştir. Burada toplamda 8 tane
Performans değerlendirme kriteri yer almaktadır. Bu performans kriterleri kişinin
Müdürü tarafından 1-5 aralığında değerlendirilmektedir. Bu aralıktaki rakamlar şu
şekilde çevrilmiştir;
1=Nadiren
2=Bazen
3=Devamlı olarak
4=Çok fazla
5=Sürekli ve Fazlaca
8 kriterin 1-5 aralığında değerlendirilmesi sonucunda kişilerin performans başarısı belli
terimlere atanıyor. Sonuç kısmındaki puanlamalarda aşağıdaki başarı sözcüklerini
temsil etmektedir;
1=Yetersiz
2=İstikrarsız
3=Başarılı
4=Mükemmel
5=Üstün başarılı
78
Bütün bu puanlamaların sonunda kişinin performans değerlendirilmesi sonuçlanmış
oluyor. Bu çalışmada öncelikle regresyon yöntemi kullanılarak hangi kriterin
performans sonucunu daha çok etkilediğini anlamaya çalışacağız. Sonrasında ise
regresyon yöntemi ile mevcut verilerimizi kullanarak performans sonuçlarını tahmin
edilmesi sağlanacaktır. Şekil 6.2'de verilerin girilmiş hali gösterilmiştir.
Şekil 6.1 SPSS data view penceresi
Şekil 6.2 SPSS variable view penceresi
79
Aşağıda Çizelge 6.1'de girdilerimize karşılık gelen tanımlayıcı istatistiktik değerler
gösterilmiştir. Şekilden de anlaşıldığı üzere girdilerde ve çıktıda girilen minimum değer
1 iken maksimum değer 5'tir. Çizelge 6.2'de girilen bu değerlere ait ortalama değerler
ve medyan değerleri gösterilmiştir. Bütün bu değerlerin girilmesi sonucunda regresyon
yöntemimizde Analyse kısmından belli başlı istatiksel değerler bulundu. Bu değerler
girildikten sonra her bir kriter için kaç adet nadiren, bazen, devamlı olarak , çok fazla,
sürekli ve fazlaca cevaplarının verilme sıklığı ve yüzdeleri Çizelge 6.3'te verilmiştir.
Çizelge 6.1 Tanımlayıcı istatistikler tablosu
Çizelge 6.2 Sıklık istatistik tablosu
80
Çizelge 6.3 Sıklık tablosu
81
82
Bütün bu tablolardan sonra kurulan modelimize Çizelge 6.4'den ulaşabiliriz. Burada R
ve düzenlenmiş
değerlerine ulaşabiliriz. Bu değerler bize bağımsız değişkenlerimizin
bağımlı değişkeni etkileme gücünü elde etmiş oluruz.
Çizelge 6.4 Model özet tablosu
Kriter 1 ve kriter 7 model üzerinde etkili olmadığı için modelden çıkarılmıştır. Kriter 1
ve Kriter 7'nin backward yöntemi ile çıkarılması ile oluşan yeni değer Çizelge 6.5'te
gösterilmiştir.
83
Çizelge 6.5 Backward yönteminde kaldırılan kriterler
Bu son tabloda modelimizi oluşturacak olan sabit terim ve diğer değişken terimler elde
edilmiştir. Çizelge 6.6'da oluşan son modelin MSE oranı ANOVA tablosu aracılığıyla
gösterilmiştir.
Çizelge 6.6 Anova tablosu
Bu çıkarılan kriterler ve çıkarılmamış haliyle katsayılar tablosu, kriterlerin katsayıları ve
sabit değer sonuçları Çizelge 6.7'de gösterilmiştir.
84
Çizelge 6.7 Katsayılar tablosu
Modelde etkisi olmayan ve çıkarılan kriterler ve sigma değerleri Çizelge 6.8'de
gösterilmiştir.
Kriter 1 = 0,845 > 0,05 bu sebeple
kabul edilir.
(6.6)
Kriter 7= 0,925 > 0,05 bu sebeple
kabul edilir.
(6.7)
Çizelge 6.8 Çıkartılan değişkenler tablosu
85
Bütün sonuçlar elde dildikten ve regresyon yöntemi ile performans sonuçları tahmin
ettirildikten sonra gerçek değerlerle arasında belli bir fark oluşmuştur. Bu farka
kalıntılar denilmiştir ve bu kalıntılara ait değerler Çizelge 6.9'da gösterilmiştir.
Çizelge 6.9 Kalıntılar istatistiği
Son olarak tahmin sonuçlarımıza ait serpme grafiği Şekil 6.3'te verilmiştir.
Şekil 6.3 Tahmin edilen sonuç değişkeni serpme grafiği
Model 3'te görüldüğü üzere tahmin yöntemi daha düzgün bir tabana oturmuştur.
Formülde aşağıdaki gibi değişmiştir.
(6.8)
Buradaki hata oranı (MSE)= 11,632
86
Aşağıda Şekil 6.4'te tahmin edilen dataları ve artık değerleri görebiliriz.
Şekil 6.4 Tahmin edilen sonuçlar ve kalıntılar sayfası
87
Uygulama yöntemi 2- Yapay Sinir Ağları:
SPSS yöntemi ile uygulama tamamlandıktan sonra bu sefer Yapay Sinir Ağları ile
uygulama yapılmıştır. Bu yöntemi kullanmak için NeuroSolutions adlı programdan
faydalanılmıştır. Şekil 6.5'de programda kullanılacak olan ağ yapıları gösterilmiştir.
Şekil 6.5 Neurosolutions neural model ağ listesi
Burada YSA tasarımı oldukça önemli bir faktördür. Burada kullanılan metot şu şekilde
anlatılmıştır. Toplamda 330 tane verimiz vardı. Bu verilerden 210 tanesini eğitim için
kullanıldı. Sonraki 90 taneyi deneme için kullanıldı. Şekil 6.6'da eğitilmiş ağ
gösterilmiştir.
Şekil 6.6 Neurosolutions eğitilmiş model
88
Bununla beraber 8 adet performans kriterimizi girdi olarak, 1 adet sonuç verimizi çıktı
olarak tanımladık. Bu yöntemde öncelikle ağ eğitildi. Daha sonra eğitilen ağa deneme
için 90 adet veri tanımlandı ve deneme yapıldı.
Aşağıdaki Şekil 6.7'de tahmin verileri ve gerçek değerler gösterilmiştir. Bunun yanı sıra
Şekil 6.8'de Neurosolutions programında elde edilen test report sonucu gösterilmiştir.
Şekil 6.7 YSA tahmin değeri ve gerçek değer karşılaştırması
Şekil 6.8'de gösterilen test değerleri mevcut 90 test verimizle yapılmıştır ve yukarıdaki
uygulama değerlerimiz dısındaki değerlerde kullanılmıştır. Yukarıda Şekil 6.7'de
verilerimizin yalnızca bir kısmı gösterilmiştir. Bununla beraber MSE ve NMSE
değerlerimizi de bu raporda görebiliriz.
89
Şekil 6.8 Neurosolution test tahmin karşılaştırması
Çizelge 6.10'da kullanılan yöntemlere ait ayrıntılı bir çalışma sunulmuştur. Toplamda
yapılan 81 adet deneme yapılmıştır. Burada kurulan modelde MLP nöron modeli daha
iyi sonuçlar verdiği için denemelerde ilk önce bu yöntem üzerinde durulmuştur. Daha
sonra farklı modellerde de denenerek en küçük MSE'ye ulaşılmaya çalışılmıştır. Çizelge
6.10'dan de görüleceği üzere MLP ve RBF modellerinde en iyi MSE (0,26) sonucu elde
edilmiştir. Denemelerle ilgili detalı bilgi EK-A'da paylaşılmıştır.
Çizelge 6.10 YSA deneme tablosu
90
Uygulama Yöntemi 3- ANFIS:
Regresyon ve YSA uygulamalarından sonra bir diğer Yapay Sinir Ağı metodu olan
Bulanık Nöron yöntemi kullanılmıştır. Bu yöntemi uygulamak için MATLAB
programından faydalanılmıştır. Bu yöntemde öncelikle Sugeno 8 adet girdi ve 1 adet
çıktı tanımlanmıştır. Şekil 6.9'da girdi ve çıktıların tanımlanmış hali gösterilmiştir.
Şekil 6.9 MATLAB FIS editörü
8 girdi ve 1 çıktının her biri için 5 ayrı üyelik fonksiyonu (MF) tanımlandı. Her bir MF [0
1] aralığında tanımlandı. Aşağıda Çizelge 6.11’de tanımlanan MF aralıkları, Şekil 6.10'da
kurulan modelin yapısı gösterilmiştir.Sugeno tipi bulanık çıkarım siteminde eğitim
yapılırken her bir girdi için 5’er adet üçgen (trimf) üyelik fonksiyonu seçilmiş ve model
eğitilmiştir.
91
Çizelge 6.11 MF aralıkları tablosu
Üyelik Fonksiyonu Adı
Aralığı
MF1
[0.2 0.2 0.4]
MF2
[0.2 0.4 0.6]
MF3
[0.4 0.6 0.8]
MF4
[0.6 0.8 1]
MF5
[0.8 1 1]
Şekil 6.10 Kurulan ANFIS model yapısı
Üyelik fonksiyonları 8 girdi için ayrı ayrı tanımlandı ve aynı şekilde çıktı fonksiyonu için
her bir MF fonksiyonu [0 1] aralığında tanımlandı. Şekil 6.11'de üyelik fonksiyonlarının
tanımlanmış hali görüntülenmiştir.
92
Şekil 6.11 Üyelik fonksiyonu-girdi ve çıktı
Aralıklar tanımlandıktan sonra, eğitim kuralları tanımlanmıştır. Burada toplamda 5 adet
eğitim kuralı tanımlanmıştır. Her bir girdi için seçilecek beş adet MF vardır ve bu
mf'lerden yalnız birini seçmek koşuluyla eğitim kuralları belirlenmiştir. Şekil 6.12'de
tanımlanan kurallar gösterilmiştir.
Şekil 6.12 Kural editörü
Girdi ve çıktı değerleri tanımlanıp, kurallar konulduktan sonraki aşama test ve eğitim
verilerinin girildiği aşamadır. Bu aşamada önceden kaydettiğimiz eğitim ve test
değerlerimizi çağırarak hata değeri test edilerek bulunur. Şekil 6.13'de bu karşılaştırma
gösterilmiştir.
93
Bununla beraber kendi kural tabanımızla bulduğumuz test değeri Şekil 6.13’de
gösterilmiştir. Burada çıkan hata değeri yüksek olduğu için Generate FIS kısmından
“Grid Partition” seçilmiştir. Bu yöntemde ilk uyguladığımız yönteme oranla çok daha iyi
bir sonuç ortaya çıkmıştır. Buradaki karşılaştırmalar Şekil 6.14 ve Şekil 6.15’de
gösterilmiştir.
Şekil 6.13 Eğitilmiş model ile test data karşılaştırması-1
94
Şekil 6.14 Eğitilmiş model ile eğitim data karşılaştırması
Şekil 6.15 Eğitilmiş model ile test data karşılaştırması-2
95
ANFIS modelinin eğitimi ve testi tamamlandıktan sonra çıkan modelin kural görünümü
Şekil 6.16’da gösterilmiştir. Girdi değerlerinde yer alan çizgilerle oynanarak bu değerler
değiştirebilmekte ve değişimler neticesinde çıktı değerleri eğitilen model tarafından
oluşturulmaktadır. Şekil 6.17'de modelin yüzey görünümü gösterilmiştir.
Şekil 6.16 ANFIS modeli kural yapısı
Şekil 6.17 ANFIS modeli yüzey görünümü
96
6.3
Uygulama Sonuçları
Ortaya çıkan MSE sonuçlarına bakıldığında regresyon yönteminden daha iyi olmasına
rağmen yapay sinir ağı yöntemi kadar iyi bir sonuca ulaşamamıştır. Aşağıdaki Çizelge
6.12'de gösterildiği üzere MSE sonuçlarında en iyi çözüme ulaşan yapay sinir ağı
yöntemi olmuştur. Sonra bulanık nöron yöntemleri onu takip etmiştir. Son olarak
regresyon en büyük MSE'yi vermiştir.
Çizelge 6.12 MSE karşılaştırma tablosu
YÖNTEM
MSE
SPSS
11.632
YAPAY SİNİR AĞLARI
0.26
BULANIK NÖRON-1
0.71
BULANIK NÖRON-2
2.88
Burada dikkat edilmesi gereken nokta Regresyon yönteminin doğrusal, diğer
yöntemlerin doğrusal olmamasıdır. Bu karşılaştırmada ortaya çıkan lineer yöntemlerin
performans yönetimi gibi insan faktörüne dayalı dataları tahmin etmesinde ortaya
çıkan hata oranının oldukça yüksek olduğudur. Diğer taraftan doğrusal olmayan
yöntemler çok daha iyi sonuçlar vermektedir.
97
BÖLÜM 7
7. SONUÇ VE ÖNERİLER
Bu tez çalışmasında İnsan kaynakları yönetiminde performans yönetimi detaylı bir
biçimde
incelenmiştir.
Özellikle
İnsan
Kaynakları
konularından
çalışanların
performanslarının değerlendirilmesi hem şirketin insan kaynakları stratejilerini
belirlemesinde hem de çalışanların gelecekteki kariyer planlarını belirlemede oldukça
önemli bir rol oynamaktadır. Çünkü günümüz rekabetçi şirketlerin eldeki en önemli
kaynak olan insanı değerlendirmek, geliştirmek ve kaybetmemek oldukça önem arz
etmektedir. Bu sebeple şirketlerde performans yönetimi konusunda eski yöntemlerin
yanı sıra yeni yöntemlere de yönelmiştir.
Şirketlerde uygulanan ve literatürde yer alan performans yönetimi tipleri arasında
birçok farklı yöntem bulunmaktadır. Bu yöntemler bu tez çalışması kapsamında detaylı
bir şekilde incelenmiştir. İkili karşılaştırma, Sıralama, Kritik Olay Yöntemi, 360 Derece
Değerlendirme yöntemi bunlardan sadece birkaçıdır. Bu yöntemlerle beraber esas yeni
yöntemlere ihtiyaç duyulmasına sebep olan problemleri yönetmek de oldukça
önemlidir. Bunlar Halo ve Horn etkisi, ölçüt sorunu, kişisel önyargılar, objektif olamama
gibi problemlerdir. Bu tarz soyut problemlerin alt yapısını oluşturan gene
ölçülememezlik ve soyut durumların performans yönetiminde büyük bir paya sahip
olmasıdır. Bütün bunlar bu tez çalışmasında, performans yönetiminde Regresyon, YSA
ve Bulanık Sinirsel ağ yöntemlerini kullanmaya yöneltmiştir.
İnsanın söz konusu olduğu durumlarda ölçülemeyen birçok şey devreye girmektedir. Bu
tez çalışmasında soyut olan durumları somutlaştırmak ve ölçebilmek adına Yapay Sinir
Ağları, Bulanık Sinirsel Ağ ve Regresyon gibi sayısal metotlar kullanılmıştır. Yapay Sinir
Ağları yöntemi İnsan Kaynakları yönetiminde özellikle performansın ölçülmesinde
98
bizlere insana ilişkin soyut kararları somutlaştırmada oldukça faydalı olmuştur.
Çalışanların performansını ölçerken soyut olan bazı düşüncelerin somutlaştırılarak daha
adil bir performans yönetim sistemi sağlanmasına sebep olmuştur.
Kullanılan yöntemlere bakacak olursak, SPSS bizlere istatistik anlamda her bir kriter için
hangi cevapların daha çok verildiğine, sonuç olarak insanların hangi performans
sözcüğüne atandığı bilgisini bize sunmuştur. Bunlarla beraber en çok etkili olan ve
neredeyse hiç etkisi olmayan kriterleri görmemize olanak sağlamıştır. Bu kriterler
çıkarılmış ve daha düzgün bir formül elde edilmiştir. Bunların sonucunda elimizde
varolan verilerle regresyon yöntemiyle performans değerleri tahmin ettirilmiştir. Sonuç
olarak MSE oranımız oldukça yüksek çıkmıştır. Ama somutlaştırdığımız veriler bize diğer
yöntemlerde aydınlatıcı bir yol sağlamıştır.
Daha sonra kullandığımız Yapay sinir ağı yöntemi bize oldukça kolaylık sağlamıştır. Bu
yöntemi uygularken NeuroSolutions isimli programdan faydalanıldı. Yapay sinir ağı
yönteminde öncelikle ağ eğitildi. Toplamda 330 verimiz vardı ve bu verilerden 210
tanesi sadece eğitim ve 90 tanesi deneme için kullanılmıştır. Geriye kalan 30 veri ise
uygulama dediğimiz tahmin ettirmek için kullandığımız veriler olmuştur. Bununla
beraber 8 adet performans kriterimizi girdi olarak, 1 adet sonuç verimizi çıktı olarak
tanımladık. Bu yöntemde daha önce söylediğimiz gibi öncelikle ağı eğitildi. Daha sonra
eğitilen ağa deneme için 90 adet veri tanımlandı. Burada yaptığımız birçok denemeden
sonra en iyi sonuçları veren ağ tiplerine dikkat ederek bu ağlar üzerinden daha da iyi
sonuçlara ulaşılmaya çalışıldı. Bu denemeler sonucunda en iyi sonucu veren ağ ile
uygulama için sakladığımız 30 veri tahmin ettirildi. Burada elde ettiğimiz MSE oldukça
düşük bir rakamdır. Bunda seçtiğimiz yöntemin lineer olmaması da önemli bir etkendir.
Son olarak kullandığımız bir diğer yapay sinir ağı metodu Bulanık Nöron yöntemidir. Bu
yöntemimizi kullanırken MATLAB programından faydalanıldı. Yapay sinir ağındaki
tahmin ettirmede olduğu gibi burada da 8 adet girdi ve 1 adet çıktı verisi tanımlandı.
Ayrıca her bir girdi için ve tek çıktı için 5 adet MF tanımlandı. Bu girdi verileri ve çıktı
verimiz [0 1] aralığında tanımlanmıştır.
Tanımlama işlemi tamamlandıktan sonra ağı eğitmek için 5 adet eğitim seti
oluşturulmuştur. Bu eğitim setleri kullanılarak 210 adet veri eğitim için, 90 adet veri de
99
deneme için kullanılmıştır. Bu metotla verilerimizi belli bir skalada standartize ederek
performans puanlaması tahmin ettirilmeye çalışılmıştır.
Bu tez çalışma kapsamında kullanılan sayısal yöntemlerden en iyi tahmin sonucunu
veren yukarıda da söylediğimiz gibi yapay sinir ağı metodu olmuştur. Çalışanların
performanslarının ölçülmesinde tavsiye edilecek olan yöntem yapay sinir ağı yöntemi
olmuştur. Bu yöntemle soyut olan insana ait veriler somutlaştırılarak ortaya çıkacak
problemler önceden engellenmiştir. Bu tez çalışmasından anlaşılan, performans
yönetiminde kullanılacak somutlaştırılmış olan yöntemlerin çok daha iyi sonuçlar
verdiğidir.
Bu tez kapsamında sunulacak olan önerilerden bir tanesi özellikle müdürlerin veya
yetkili kişilerin çalışanlarının performanslarını değerlendirirken 3. Performans başarı
sonucu olan “Successful” ile 4. Performans başarı sonucu “Excellent” arasında net bir
karar veremedikleri gözlenmiştir. Bu kararsızlık durumunda ortaya çıkan sonuçlardan
da görüleceği gibi 3. Performans başarı sonucu çok fazla kullanılmaktadır. Bu çalışma
sonucunda yapacağımız öneri çalışanların performanslarının değerlendirilmesinde
toplamda 5 performans başarı sonucunu daha da genişleterek 8’e çıkarmak olabilir.
Özellikle 3. ve 4. Performans sonuçlarının arasına eklenecek 2 veya 3 tane performans
başarı sonucu ile çalışanlarının daha düzgün bir skalada değerlendirilmesi sağlanabilir.
Buna ek olarak yöneticilerin de çalışanlarını daha rahat değerlendirmeleri söz konusu
olabilir.
100
KAYNAKLAR
[1]
Sabuncuoğlu, Z., (2000). "İnsan Kaynakları Yönetimi", Bursa, Ezgi Kitapevi
Yayınları, 2.
[2]
Canman D., (1993). ”Personelin Değerlendirilmesinde Çağdaş Yaklaşımlar ve
Türkiye'de Kamu Personelinin Değerlendirilmesi", Türkiye ve Orta Doğu Amme
İdaresi Enstitüsü, Ankara.
[3]
Schuler,S.R., (1998). "Managing Human Resources", South Western Publishing
Company, 418, Cincinnati.
[4]
Uyargil C., (1998). "İşletmelerde Performans Yönetim Sistemi", İstanbul
Üniversitesi İşletme Fakültesi Yayını, 27-29.
[5]
Önder, H. H. ve Kuşet E.,"BDÖ’de Yapay Zeka ve Uzman Sistemler"
http://www.ef.sakarya.edu.tr/sayfa/semp2004/pdf/pdf/34.pdf>, 15 Temmuz
2003.
[6]
Zhang, G., Patuwo, B. E. ve Hu, M. Y. (1998). “Forecasting with artificial neural
networks: the state of the art”, International Journal of Forecasting, 14, 35-62.
[7]
Jang, J.S.R., Sun, C.T. ve Mizutani, E., (1997). “Neuro Fuzzy and Soft Computing
A Computational Approach to Learning and Machine Intelligence”, Prentice
Hall.
[8]
Jang, J. S. R., (1993). “ANFIS: Adaptive-Network Based Fuzzy Inference
Systems”, IEEE Trans. on Systems, Man, and Cybernetics, 23 (03), 665-685.
[9]
Ballı S. vd., (2009). İnsan Kaynakları Yönetiminde Performans Değerlendirme
için bir Bulanık Uzman Sistem Gerçekleştirimi, Ege Üniversitesi Mühendislik
Fakültesi, Ege Akademik Bakış dergisi, 837-849, 9(2).
[10]
Dweiri, F.T., ve Kablan, M. M.,(2006). "Using Fuzzy decision making for the
evaluation of the project management internal efficiency", Decision Support
Systems, 42(2), 712-726.
[11]
Stavrou T. E., Charalambous C., Spiliotis S., (2007). "Human Resources
Management and Performance: A neural Network Analysis", European Journal
of Operational Research, 181, 453-467.
101
[12]
Aydoğdu H., (2001). İşletmelerde Stratejik İnsan Kaynakları Planlamasının
Önemi ve Uygulamadan Bir Örnek , Yayınlanmamış Doktora Tezi, Sosyal Bilimler
Enstitüsü Konya.
[13]
Palmer, M. ve Kenneth T. W., (1993). "İnsan Kaynakları", Derleyen: Doğan
Şahiner, Rota Yayınları, İstanbul.
[14]
Büyükuslu R. A., (1998). "Globalizasyon Boyutunda İnsan Kaynakları Yönetimi",
Der Yayınları, İstanbul.
[15]
Robert L. and Jackson J., (1991). "Personnel/ Human Resource Management",
Sixth Edition, West Publishing Company, St. Paul.
[16]
Quasimov
R.,
İnsan
Kaynakları
Yönetimi
ve
Örgütlenmesi
isletme0”7.files.wordpress.com/2009/11/genel‐olarak‐iky‐giris‐bolum‐1.ppt,
18.04.2010.
[17]
Tahiroğlu F., (2004). "Düşünceden Sonuca İnsan Kaynakları", Hayat yayınları.
[18]
Tortop, N., (1992). "Personel Yönetimi", Devlet İstatistik Enstitüsü Matbaası, 1920:25, Ankara.
[19]
Tayeb, M. H.,(2005). "International Human Resource Management: A
Multinational Company Perspective", Oxford University Press, 5-6.
[20]
Çiftçi B., (2007). "İnsan Kaynakları Yönetimi", 1 baskı, Ekin Kitapevi, Bursa.
[21]
Bingöl, Ş., (1993). "Türkiye’de İş Değerlendirme Çalışmalarının İncelenmesi",
516, Milli Prodüktivite Merkezi Yayınları, Ankara.
[22]
Akyüz, Ö. F., (2001). Değişim Rüzgarında Stratejik İnsan Kaynakları Planlaması,
Sistem Yayıncılık, 82, İstanbul.
[23]
Akmut, Ö. ve diğerleri, (2003). "Girişimciler için İşletme Yönetimi", Gazi
Kitapevi, Ankara.
[24]
Yücel, R., (1999). “İnsan Kaynakları Yönetiminde Başarı Değerlendirme”, Dokuz
Eylül Üniversitesi, Sosyal Bilimler Enstitüsü Dergisi, 1: 3, 110.
[25]
Mevzuat Dergisi, http://www.mevzuatdergisi.com/2004/07a/05.html,
1 Mayıs.2004.
[26]
Helvacı, M. A., (2002). "Performans Yönetimi Sürecinde Performans
Değerlendirmenin Önemi", 35, Ankara Üniversitesi Eğitim Bilimleri Fakültesi
Dergisi, Ankara.
[27]
Bayraktaroğlu S., (2007). "İnsan Kaynakları Yönetimi", 1. baskı, Sakarya
Kitapevi, Sakarya.
[28]
Holbrook, R. L., (2002). "Contact Points and Flash Points: Conceptualizing the
Use of Justice Mechanisms in the Performance Appraisal Interview", Human
Resource Management Review, 12: 1, 101-123.
[29]
Canitez, A. B. ve Solmuş T., (2000). “Performans Değerlendirmesi, Türk Psikoloji
Bülteni”, Mart-Haziran, 108-109, 16-17.
102
[30]
Bayar, B.,
Performans
Yönetimine
Bütünsel
Bir
Bakış,
http://www.insankaynaklari.com/cn/ContentBody.asp?BodyID=2793, 17 Mayıs
2004.
[31]
Can, H. ve Akgün A.,(1995). Kamu ve Özel Kesimde Personel Yönetimi, Siyasal
Kitapevi, Ankara.
[32]
Özgüneş A., (2008). "Kamu Kesiminde Performans Değerlendirme Sistemi;
Kuzey Kıbrıs Türk Cumhuriyeti Sosyal Hizmetler Dairesinde Performans
Değerlendirme Sistemi Uygulamasının Algılanması", Yayınlanmış tez, Yakın
Doğu Üniversitesi Sosyal Bilimler Enstitüsü.
[33]
Kaynak, T., vd, (1998). İnsan Kaynakları Yönetimi”, İ.Ü. İşletme Fakültesi
yayınları, 276, Dönence Basım ve Yayın Hizmetleri, İstanbul.
[34]
Örücü E. ve Köseoğlu M. A., (2003). İşletmelerde İşgören Performansını
Değerlendirme", Gazi Kitabevi, Ankara.
[35]
Süngü A., (2004). İnsan Kaynakları Yönetiminde Performans Değerleme ve
Astların Performans Değerleme Çalışmalarına Verdikleri Destek ve Güveni
Etkileyen Faktörler Üzerine Bir Araştırma, Yüksek lisans Tezi, Sosyal Bilimler
Enstitüsü, Muğla Üniversitesi, Muğla.
[36]
Geylan, R., (1992).
Yayım&Organizasyon.
[37]
Özsoy O., (2005). İnsan Kaynakları Yönetiminde Performans Değerlendirme
Sistemi , Yayınlanmış Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Gazi
Üniversitesi, Ankara.
"Personel
Yönetimi",
Eskişehir:
Met
Basım-
[38] Uygargil C., (1998). “İşletmelerde Performans Yönetim Sistemi", İstanbul
Üniversitesi İşletme Fakültesi Yayını, 27-29, İstanbul.
[39]
Pell A.R., and SchusteA. S., (1995). "The Complete, Idiots Guide to Managing
People", 232, Mac Millan Company.
[40]
Erdoğan İ., (1991). "İşletmelerde Personel Seçimi ve Başarı Değerleme
Teknikleri", İstanbul İşletme Fakültesi, 248.
[41]
Yıldırım G., (2010). "İnsan Kaynakları Yönetiminde Performans Değerlendirme
Uygulamaları", Beykoz Lojistik Meslek Yüksek Okulu Girişimcilik ve Proje
Yönetimi Asistanlığı Bölümü.
[42]
Tutum, C., (1979). Personel Yönetimi, 179:157, Türkiye ve Ortadoğu Amme
İdaresi Enstitüsü Yayınları, Ankara.
[43]
Yılmazer, F. V., (2006). Yayınlanmış Tez, Atılım Üniversitesi.
[44]
Cascio, W. F., (1995). "Managing Human Resources", Mc Graw-Hill İnc.,
International Edition, 288.
[45]
Sherman, A. W. and Bohlander G., (1992). "Managing Human Resources", South
Western Publishing Co, Cincinati,Ohio, USA.
103
[46]
Karabulut B., (2002). İnsan Kaynakları Yönetiminde Performans Değerlendirme
Sistemi, Yüksek Lisans Tezi, Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü,
Kocaeli.
[47]
Durmaz O. A., (2005). İnsan Kaynakları Yönetimi Açısından Performans
Değerlendirme Sistemleri ve Jandarmaya Uygulabilirliğinin Değerlendirilmesi,
Yükseklisans Tezi, Deniz Harp Okulu, Deniz Bilimleri ve Mühendisliği Enstitüsü.
[48]
Stahl, O. G., (1971). “Public Personel Administration”, 194, New York; Harper
and Row.
[49]
Pay For Performance Decision Points, U.S. Merit Systems Protection Board
Report,
http://www.mspb.gov/studies/rpt_03_06_pay_for_performance/decisionpoin
ts.htm, 27 Mart 2006.
[50]
Kaynak T. ve Uyargil C., (2000). İnsan Kaynakları Yönetimi, 7, 210, İstanbul
Üniversitesi İşletme Fakültesi Y.V. yayınları, 210, İstanbul.
[51]
Kaynak T., (1996). İnsan Kaynakları Planlaması , 2.Baskı, 83, Beta Yayınları,
İstanbul.
[52]
Ferecov, R., (2011). "İnsan Kaynakları Yönetiminde Performans Değerlendirme
ve Uygulama", Qafqaz Üniversitesi Yayınları, Bakü.
[53]
James, B. N. and David K. M., (1999)."Strategic Human Resources", 214, John
Wiley&Sons , Ins., New York.
[54]
Fındıklı F., (2008). Performans Yönetimi ve Bir Uygulama Örneği, Yüksek lisans
Tezi, Fen Bilimleri Enstitüsü, Dumlupınar Üniversitesi.
[55]
Baş N., (2006). Yapay Sinir Ağları Yaklaşımı ve Bir Uygulama, Yayınlanmış Yüksek
Lisans Tezi, Mimar Sinan Güzel Sanatlar Üniversitesi, Fen Bilimleri Enstitüsü,
İstanbul.
[56]
Leap T.L. ve Crino M.D., (1989). "Personnel and Human Resources
Management", NY:Mac Millan.
[57]
Anagün, Ş. S., (2006). Eğitimde Performans Değerlendirme Süreci ve İnsan
Kaynakları
Yönetiminde
Performans
Değerlendirme
Yöntemleri,
Yayınlanmamış Master Tezi Çalışması, Anadolu Üniversitesi, Eğitim Bilimleri
Enstitüsü, Eskişehir.
[58]
Mohamed Z., (1994). Measuring Performance For Business Results; Chapman &
Hall; London; 520.
[59]
Arslan, A., 360 Derece Değerlendirme Bireysel Performanstan Kurumsal
Performansa Geçişte Etkili Bir Araç,
http://www.insankaynaklari.com/cn/ContentBody.aspşBodyID=1022, 25 Ocak
2007.
[60]
Aydın, Y. S., (2000). "Visual Prolog İle Programlama", Sistem Yayıncılık, 253,
337, İstanbul.
[61]
Elmas Ç., (2003). Yapay Sinir Ağları, Seçkin Yayıncılık, 1, Ankara.
104
[62]
Öztemel E., (2003). Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul.
[63]
Bayır, F., (2006). “Yapay Sinir Ağları ve Tahmin Modelleri Üzerinde bir
Uygulama”, İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul.
[64]
Saraç T., (2004). Yapay Sinir Ağları, Basılmamış Seminer Projesi, Gazi
Üniversitesi Endüstri Mühendisliği Bölümü Anabilim Dalı, Ankara.
[65]
Yurtoğlu H., (2005). Yapay Sinir Ağları Metedolojisi ile Öngörü Modellemesi:
Bazı Makroekonomik Değişkenler için Türkiye Örneği, Uzmanlık Tezi, Ekonomik
Modeller ve Stratejik Araştırmalar Genel Müdürlüğü, DPT Tezleri Uzmanlık
Tezleri Ankara.
[66]
Sağıroğlu, Ş. vd., (2003). " Mühendislikte Yapay Zeka Uygulamaları 1 – Yapay
Sinir Ağları", Ufuk Yayınevi, Kayseri.
[67]
Anderson D. ve McNeill G., (1992). "Artificial Neural Networks Technology",
Kaman Sciences Corporation, New York.
[68]
Guyton A.C. ve Hall E. J., (1996). "Textbook of Medical Phisology, 9 th Edt,
Saunders Company, Pennsylvania.
[69]
Küçükönder H., (2011). Yapay Sinir Ağları ve Tarımda Bir Uygulama, Doktora
Tezi, Kahramanmaraş Sütçü İmam Üniversitesi Fen Bilimleri Enstitüsü,
[70]
Kulkami, A.D., (1994). "Artificial Neural Networks for Image Understanding",
Van Nostrand Reinhold, New York.
[71]
Minsky, M.L., ve Papert S.S., (1969). "Perceptrons", MA:MIT Press, Cambridge.
[72]
Sayın C. vd., (2006). Performance and exhaust emissions of a gasoline engine
using artificial neural network, In Press.
[73]
Hopgood, A.,(2001). Intelligent Systems for Engineers and Scientists. CRC Press:
New York.
[74]
Zhang G. P. (2003). ”Time series forecasting using a hybrid ARIMA and neural
network model”, Neurocomputing, 50, 159-175.
[75]
Gately E., (1996). "Neural Networks for Financial Forecasting", John WileySons
Inc.
[76]
Diler, A. İ., (2003). “İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları
Hata Geriye Yayma Yöntemi ile Tahmin Edilmesi”, İMKB Dergisi, 25-26, 65-81.
[77]
Yıldız Ö., (2006). Döviz Kuru tahmininde Yapay Sinir Ağlarının Kullanımı, Yüksek
Lisans Tezi, Sosyal Bilimler Enstitüsü, Eskişehir Osmangazi Üniversitesi,
Eskişehir.
[78]
Çorumluoğlu Ö., Özbay Y., Kalayci İ., Şanlioğlu İ., (2005). "Gps Yüksekliklerinden
Ortometrik Yüksekliklerin Elde Edilmesinde Yapay Sinir Ağı (Ysa) Tekniğinin
Kullanılması", 2. Mühendislik Ölçmeleri Sempozyumu, 2, 552 – 560.
[79]
Gurney K., (1996). "Computers and Symbols versus nets and Neurons", UCL
Draft papers, 1, UK.
105
[80]
Michie D. ve Spiegelhalter D.J., Taylor C.C., (1994). "Neural and Statistical
Classification", Elis Horwood, Machine learning, London.
[81]
Kröse B. ve van der Smagt P., (1996). "An Introduction to Neural Networks",
The University of Amsterdam.
[82]
Gündoğdu K. S. ve Demir A. O. ve Akkaya A. Ş. T., (2001). Göletlerin Bazı
Hidrolojik Analizlerinin Coğrafi Bilgi Sistemi (CBS) Ortamında Yapılma
Olanakları., I. Ulusal Sulama Kongresi, 8-11 Kasım, Bildiriler: 247-253, , Antalya.
[83]
Ocakoğlu G., (2006). Lojistik Regresyon Analizi Ve Yapay Sinir Ağı Tekniklerinin
Sınıflama Özelliklerinin Karşılaştırılması Ve Bir Uygulama, Yüksek Lisans Tezi,
Uludağ Üniversitesi Sağlık Bilimleri Enstitüsü, Bursa.
[84]
Fanning K, Cogger KO, Srivastava R., (1995). “Detection of Management Fraud:
A Neural Network Approach”, Intelligent Systems in Accounting, Finance and
Management, 4: No. 2, , 113–126.
[85]
Freeman J.A. and Skapura D.M., (1991). "Neural Networks Algorithm,
Applications and Programming Techniques", Addison-Wesley Publishing
Company.
[86]
Kaastra I. ve Boyd M., (1994). "Designing a Neural Network for Forecasting
financial and Economic Time Series", Neurocomputing.
[87]
Caner M. ve Akarslan E., (2009). Mermer Kesme İşleminde Spesifik Enerji
faktörünün ANFIS ve YSA yöntemleri ile Tahmini", Pamukkale Üniversitesi Fen
Bilimleri Dergisi, 15:2, 221-226.
[88]
Tsoukalas, L. H., Uhrig, R.E., (1996). Fuzzy and neural approaches in
engineering, Jhon Wiley&Sons, Inc, New york.
[89]
Kosko, B. (1991). Neural networks and fuzzy systems, A dynamical systems
Approach, Englewood Ciffs, Nu: Prentice Hall.
[90]
Özçalık, H. R. ve Uygur, A. F., (2003). “Dinamik Sistemlerin Uyumlu SinirselBulanık Ağ Yapısına Dayalı Etkin Modellenmesi”, KSÜ Fen ve Mühendislik
Dergisi, 6(1), s. 36
[91]
Özkan A. İ. vd., (2009). Bulanık Mantık Yöntemiyle Manyetik Filtrelerin Kontrolü
, 8, Selçuk Üniversitesi Teknik Bilimler Meslek Yüksekokulu Teknik-Online Dergi.
[92]
Jang, J.S., Gulley N., (1995). Fuzzy Logic Toolbox User's Guide,The Mathworks
Inc.
106
8. EK-A
9.
YSA EĞİTİMİ İÇİN DENEME TABLOSU
107
108
109
110
111
ÖZGEÇMİŞ
KİŞİSEL BİLGİLER
Adı Soyadı
: Sinem ATASOY
Doğum Tarihi ve Yeri
: 10/06/1987
Yabancı Dili
: İngilizce, Almanca
E-posta
: sinem_1006@hotmail.com
ÖĞRENİM DURUMU
Derece
Alan
Okul/Üniversite
Mezuniyet Yılı
Lisans
Endüstri Mühendisliği İstanbul Ticaret Üniversitesi
2008
Lise
Fen Bilimleri
2004
Vatan Anadolu Lisesi
İŞ TECRÜBESİ
Yıl
Firma/Kurum
Görevi
2012
Mercedes Benz Financial Services
Assistant Specialist
2011
Ali Raif İlaç A.Ş.
Long Term Trainee
112
Download